روشي نوين براي ارتقاي دقت سيستم‌هاي توصيه گرِ آگاه از اعتماد

در سال‌هاي اخير، روش‌هاي مبتني بر پالايش گروهي (CF) براي سيستم‌هاي توصيه گر به صورتي گسترده مورد پذيرش قرار گرفته‌اند. يكي از اين روش‌ها، مبتني بر كاربر بوده كه توصيه‌هاي كارآمدي را بر مبناي شباهتو از طريق رتبه‌بندي كاربران با نظراتي مشابه، ايجاد مي‌كند. اما اين سيستم‌ها داراي چند نقص ذاتيهمانند مشكلات مربوط به پراكندگي داده‌ها و شروع سرد مي‌باشند. با توسعه شبكه‌هاي اجتماعي، مقياس اعتماد به عنوان رويكردي جديد براي غلبه بر مشكلات پالايش گروهي ارائه شده است. سيستم‌هاي توصيه گر آگاه از نظر اعتماد، روش‌هايي براي استفاده از گزارش‌هاي اعتماد و داده‌هاي شخصي كاربر در شبكه‌هاي اجتماعي براي ارتقاي دقتِ پيش‌بينيرتبه‌بندي براي كاربران با شروع سرد مي‌باشند. همچنين، سيستم‌هاي توصيه گر مبتني بر خوشه‌بندي ، نوعي ديگر از سيستم‌ها براي به‌كارگيري كارآمد و قابل مقياس بندي براي مجموعه داده‌هاي بزرگ مي‌باشند، اما اين سيستم‌ها نيز از دقت و پوشش نسبتاً پايين رنج مي‌برند. بر اين اساس در اين مقاله براي مد نظر قرار دادن اين مشكلات، ما يك خوشه‌بندي چند منظري را بر مبناي فاصله اقليدسي براي تركيب هر دو مورد ديدگاه مربوط به شباهت و روابط اعتماد ارائه نموده كه دربردارنده اعتمادهاي صريح و ضمني مي‌باشد. نتايج آزمايش نشان مي‌دهند كه رويكرد ما مي‌تواند به صورتي كارآمد دقت و به صورتي ويژه، پوشش توصيه‌ها را ارتقا داده و مشكل شروع سرد را كاهش دهد.