ارائه يك روش تركيبي جديد بر اساس تكنيك گسترش پروفايل براي حل مسئله شروع سرد در سيستم‌هاي توصيه‌گر

A Novel Hybrid Approach based on Profile Expansion Technique to Improve Cold Start Problem in Recommender Systems

با توجه به رشد روزافزون حجم اطلاعات در دسترس در محيط جهاني وب، فرآيند جستجوي اطلاعات مورد نياز كاربران با صرف زمان زيادي صورت مي‌گيرد. سيستم‌هاي توصيه‌گر به‌منظور جلوگيري از اتلاف وقت كاربران، اطلاعاتي را در اختيار آن‌ها قرار مي‌دهند كه به احتمال زياد مفيد و ارزشمند هستند. متداول‌ترين روشي كه براي توليد پيشنهاد در سيستم‌هاي توصيه‌گر مورد استفاده قرار مي‌گيرد، روش پالايش مشاركتي است. اين روش با وجود استفاده زياد، داراي مشكلاتي نظير مشكل شروع سرد است. در اين مقاله يك روش تركيبي جديد بر اساس تكنيك گسترش پروفايل براي بهبود مشكل شروع سرد ارائه شده است. در روش پيشنهادي علاوه بر شباهت رتبه‌دهي كاربران از شباهت دموگرافي كاربران به‌ منظور انتخاب مجموعه همسايگان قوي‌تر براي كاربر هدف استفاده شده است. سيستم پيشنهادي با استفاده از مجموعه داده‌اي MovieLens مورد ارزيابي قرار گرفته و نتايج حاصل از آن حاكي از بهبود كارايي سيستم توصيه‌گر پيشنهادي نسبت به ساير روش‌ها است.

Due to the growing volume of information available on the Web, the data search process is performed with spending a lot of time. In order to avoid wasting time of users, recommender systems provide information for them which is likely to be useful and valuable. Collaborative filtering is the most popular approach to provide recommendations for the users in recommender systems. However, it suffers from some problems such as cold start problem. In this paper, we present a novel hybrid approach based on profile expansion technique to improve the cold start problem in the recommender systems. In the proposed method, we take into consideration user’s demographic data beside user’s rating data in order to find an enrich neighborhood set for the active user. The results of experiments on MovieLens dataset showed that the proposed method outperformed the other recommendation methods.