طرّاحي سيستم پيشنهاد دهنده تركيبي براي حل مشكل شروع سرد به كمك خوشه‌بندي و الگوريتم‌ ازدحام ذرّات آشوبي

Design a Hybrid Recommender System Solving Cold-start Problem Using Clustering and Chaotic PSO Algorithm

امروزه يكي از مهم‌ترين چالش‌هاي افزايش اطلاعات، يافتن اطلاعات مورد علاقه از بين انبوه داده‌هاست. به اين موضوع در طراحي سايت‌هاي تعاملي همواره توجّه شده‌است. سيستم‌هاي پيشنهاددهنده براي حل اين مسئله به وجود آمده‌اند تا به كاربران براي رسيدن به اطلاعات مورد نظرشان كمك كنند؛ امّا اين سيستم‌ها محدويت‌هايي دارند. يكي از مهم‌ترين چالش‌هاي پيش‌روي سيستم‌هاي پيشنهاددهنده، مشكل شروع سرد است. اين مشكل زماني به وجود مي‌آيد كه يك كاربر (قلم‌داده) جديد وارد سيستم مي‌شود. عدم وجود اطلاعات قبلي از اين كاربر (قلم‌داده) باعث مي‌شود سيستم نتواند به طور عادي پيشنهادها را توليد كند. در اين مقاله براي حل مشكل شروع سرد كاربر، روش جديدي به كمك تركيب مدل‌هاي مبتني برمحتوا و فيلترمشاركتي ارائه شده است. در اين روش ليست پيشنهادي، داراي ويژگي‌هايي مانند كيفيت بالاي قلم‌داده‌هاي پيشنهادي و تنوّع ‌آن‌ها است كه دامنه‌ي اطلاعات دريافتي از كاربر را به سرعت گسترش مي‌دهد، به همين دليل كاربران را سريع‌تر از حالت شروع سرد خارج مي‌كند. همچنين با استفاده از اطلاعات دموگرافيك كاربر، سعي شده قلم‌داده‌هاي ليست پيشنهادي به نحوي انتخاب شوند كه به علايق كاربر نزديك‌تر باشند تا دقت بيشتر شود. نتايج ارزيابي روش پيشنهادي نشان مي‌دهد ميزان خطاي MAE و RMSE نسبت به روش‌هاي موجود تا حد مطلوبي كاهش يافته‌است.

One of the main challenges of increasing information in the new era, is to find information of interest in the mass of data. This important matter has been considered in the design of many sites that interact with users. Recommender systems have been considered to resolve this issue and have tried to help users to achieve their desired information; however, they face limitations. One of the most important challenges that they face is cold-start problem, which is raised when a new user/item entered into the system, while no previous information is available for it. The lack of previous knowledge of the new user/item, will causes the system fails generating its suggestions normally. In this paper, to solve the problem of cold-start user/item a new method is presented using combining content-based models and collaborative filtering. Moreover, demographic data is used to recommend the nearest items to cold-start users/items' interests. Compared to existing methods, the evaluation results show that the proposed method reduces the MAE and RMSE error.