ارائه یک سیستم توصیه‌گر ترکیبی برای تجارت الکترونیک

چکیده

چکیده: رشد روز­افزون تجارت الکترونیک در فضای مجازی باعث معرفی محصولات متنوع و زیادی از سوی شرکت­های فعال در این حوزه شده است. در چنین شرایطی انتخاب مناسب و بهینه محصولات از میان حجم انبوه اطلاعات ارائه­شده برای کاربران کاری مشکل است. سیستم­های توصیه­گر با توجه به ویژگی­ها، رفتار و علایق کاربران سعی می­کنند بهترین و مناسب­ترین موارد را به کاربران خود پیشنهاد دهند. در این مقاله یـک سیـستم توصـیه­گر ترکیبی بـا استفاده از دو روش پالایش گروهی و محدودیت­محور ارائه شده است که  با توجه به استفاده از روش محدودیت­محور مشکل شروع سرد روش پالایش گروهی را برطرف کرده است. پایگاه دانش روش محدودیت­محور برای کاربران  نیز با استفاده از قوانین استخراج­شده از تعاملات کاربران همسایه کاربر هدف استخراج شده است که از این نظر هم مشکل جمع­آوری پایگاه دانش را که به­صورت دستی زمان زیادی نیاز دارد برطرف نموده است. کارایی سیستم ارائه­شده بر روی مجموعه داده Movielens در حوزه فیلم  ارزیابی شده و نتایج نشان می­دهد که روش ارائه­شده کارایی بهتری نسبت به روش پالایش گروهی دارد. 

کلیدواژه‌ها


[1]G. Adomavicius and A. Tuzhilin, “Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions,” Knowledge and Data Engineering, vol. 17, pp. 734-749, 2005.
[2]D. Jannach, M. Zanker, A. Felfering and G. Friedrich, Recommender System An Introduction: Cambridge University Press, 2011.
[3]A. Bahrehmand and R. Rafeh, “Proposing a news metric for collaborative filtering,” Software Engineering and Applications, pp. 411-416, 2011.
[4]G. M. Dakhel and M. Mahdavi, “Providing an effective collaborative filtering algorithm based on distance measures and neighbors' voting,” Computer Information Systems and Industrial Management Application, vol. 3, pp. 241-251, 2013.
[5]R. Rafeh and A. Bahrehmand, “An adaptive approach to deal with unstable behavior of users in collaborative filtering system,” Information Science, vol. 3, pp. 205-223,  2012.
[6]A. Felfering, G. Friedrich, D. jannach and M. Zanker, “Developing constraint-based recommenders,” in: Recommender System Handbook, Springer, pp. 187-226, 2010.
[7]M. Zanker, M. Aschinger and M. Jessenitsching, “Constraint-based personalized configuring of product and servic bunndles,” Mass Customization, 2010.
[8]M. Zanker, “A Collaborative constraint-based meta level recommender,” RecSys, vol. 12, pp. 139-145, 2008.
[9]A. Felfering and R. Burke, “Constraint-based recommender systems: technologies and research issues,” ACM, vol.4, pp. 147-157,2008.
[10]N. Lathia, S. Hailes and L. Capra, “Evaluating collaborative filtering over time,” Advances in Artificial intelligence, vol. 2, pp. 121-125, 2009.
[11]J. L. Herlocker and J. A. Konstan, “Evaluating hybrid recommender systems,” Information Systems, vol. 22, pp. 39-53, 2004.