اصلاح نويز طبيعي در سيستم‌هاي توصيه‌گر مشاركتي با در نظر گرفتن تغيير ترجيحات كاربر

Natural Noise Correction in Collaborative Recommender Systems by Considering Change of Userʹs Preferences

با استفاده از سيستم‌هاي توصيه‌گر، كاربران مي‌توانند كالاهايي كه بهتر با ترجيحات آن‌ها متناسب است را انتخاب كنند. سيستم‌هاي توصيه‌گر اغلب بر اساس رتبه‌دهي كاربران به كالاها عمل مي‌كنند، درحالي‌كه ممكن است كاربران در رتبه‌دهي به اقلام بي‌ثبات عمل كنند و به اقلام مشابه، رتبه‌هاي متفاوتي دهند. رتبه‌دهي‌هاي متفاوت ممكن است به دو دليل رخ دهد: دليل اول، بي‌دقتي كاربر در رتبه‌دهي است كه باعث نويز طبيعي در رتبه‌ها مي‌شود و بايد اصلاح گردد. دليل دوم، تغيير كردن ترجيحات و علاقمندي‌هاي كاربر در گذر زمان است. در پژوهش‌هاي پيشين، درصورتي‌كه رتبه‌دهي كاربر با رتبه‌هاي قبلي او و ديگر كاربران همخواني نداشته باشد، به‌عنوان نويز طبيعي محسوب مي‌شود؛ درحالي‌كه ممكن است ناهمخواني رتبه‌ها ناشي از تغيير ترجيحات كاربر در گذر زمان باشد نه بي‌دقتي كاربر. در اين پژوهش بين اين دو نوع ناهمخواني تمايز گذاشته مي‌شود. براي اين منظور، زمان‌هاي تغيير يافتن ترجيحات كاربر شناسايي مي‌شوند و سپس بر اساس آن‌ها، نويز طبيعي تشخيص داده شده و اصلاح مي‌گردد. در نهايت، توصيه‌ها با توجه به تغيير علاقه كاربر به او پيشنهاد مي‌شوند. نتايج نشان داده كه اين روش نسبت به روش‌هاي ديگر، از لحاظ معيارهاي «ميانگين خطاي مطلق»، دقت، يادآوري و «ميانگين وزني دقت و يادآوري» بهبود يافته است.

Recommender systems help users to find their desired items from an enormous volume of available information. Recommender systems often act on the basis of user rating. However, users may act unstable in rating items and give different ratings to similar items. Inconsistency may occur for two reasons: user inherent inaccuracy and change of user preferences. The first reason causes the inconsistency of rating in short-term which is called natural noise. Other reason causes the inconsistency of rating in long-term and is one of the challenges that affects the efficiency of recommender systems. So, changing the user preferences should not be confused with the natural noise. This study discriminates between the discrepancies of these two types of rating. In the proposed method, first, changes of user preferences are detected and categorized. Then, natural noise can be detected and corrected by use of these categories. Finally, recommendations are suggested to the users according to the changes of their preferences. The experimental results have shown that the proposed method has improved MAE, precision, recall, and F1 measures compared to former methods.