ارائه يك معيار جديد اندازه‌گيري شباهت در سيستم‌هاي توصيه‌گر فازي

A Novel Similarity Measure for Fuzzy Recommender Systems

با توسعه اينترنت، بشر امروزي با رشد انفجاري و تنوع اطلاعات مواجه است و اين امر تصميم‌گيري در زمينه هاي مختلف را با چالش مواجه كرده است. بدين منظور سيستم‌هاي توصيه‌گر با شناسايي علايق كاربران، فيلتركردن داده‌ها و مديريت اطلاعات، باعث صرفه جويي در زمان، شخصي‌سازي تجارت الكترونيك، بهبود بازاريابي و غيره شده است. يكي از موفق‌ترين روش‌هاي سيستم‌هاي توصيه‌گر، فيلترينگ همكاري است كه مبتني بر شباهت بين كاربران مي‌باشد. در سيستم‌هاي توصيه‌گر، دقت و كيفيت توصيه‌ها اهميت بسزايي دارند. راهكار‌هاي مختلفي مانند استفاده از منطق فازي براي بهبود دقت و كيفيت توصيه‌ها، ارائه شده است. استفاده از منطق فازي، روشي موثر براي برخورد با عدم قطعيت در اندازه‌گيري شباهت آيتم‌ها و كاربران است. در اين پژوهش، روشي جديدي براي اندازه‌گيري شباهت فازي به نام FSM براساس فاكتور‌هاي محبوبيت و اهميت، در سيستم‌هاي توصيه‌گر فيلترينگ همكاري ارائه شده است. در روش پيشنهادي، از اعداد فازي براي بهبود دقت و كيفيت توصيه‌ها استفاده شده است. روش پيشنهاد شده، توسط معيار‌هاي MAE ،F1 ، فراخواني و صحت ارزيابي شده است. مقدار F1 در حالت استفاده از معيار شباهت پيشنهادي نسبت به روش‌هاي مبتني بر معيار‌هاي PIP و NHSM به ترتيب 17 و 20 درصد افزايش يافته است. همچنين معيارهاي فراخواني و صحت بدست آمده از اين روش نسبت به دو روش مذكور نيز بهبود قابل توجهي يافته‌اند. نتايج نشان ميدهد روش پيشنهادي FSR نسبت به روشهاي اندازه گيري شباهت ارائه شده در سالهاي اخير مانند PIP و NHSM و همچنين روش هاي قديمي مانند MSD عملكرد بهتري دارد.

Due to the development of the internet, there is today explosive growth and diversity of information. Thus, decision making in various fields has faced different challenges. Recommender systems by identifying of the interests of users, data filtering and data management, offer personalized services to users. This is beneficial for marketing and user satisfaction. According to researchers, the Collaborative Filtering (CF) is one of the most successful methods of recommender system. CF based on the similarity between users. We argue that similarity is a fuzzy notion and we get more realistic results in recommender systems by using fuzzy logic. fuzzy logic is kind of new technologies that is based on the multi-value logic. This technology can replace complicated calculations and advanced mathematics in designing and modeling of a system. fuzzy logic is an effective method to identify ambiguities and uncertainty in measuring the similarity of items and users. In this research, we present a new fuzzy similarity measure for recommender systems which is based on popularity and significance. In this work, in order to improve the accuracy and quality of recommendations, we have used a fuzzy logic. To evaluate the contribution of this work, we use MAE, F1, recall, and precision. The MAE value based on the proposed fuzzy similarity measure is equal to 0.46 and outperforms the NHSM respectively by %5. Also, using the proposed fuzzy similarity measure, we obtain a F1 value equal to 0.65, which outperforms the PIP and NHSM respectively by %17 and %20. We have also observed an improvement in recall and precision using the proposed approach.