ارائه يك سيستم توصيه گر اثربخش با به كارگيري روابط اعتماد محلي و سراسري آگاه از زمينه

با رشد سريع و مداوم اينترنت، ضرورت وجود سيستم هاي توصيه گر جهت پالايش اطلاعات افزايش يافته است. در طي سال هاي اخير، به دليل محبوبيت شبكه هاي اجتماعي، سيستم هاي توصيه گر مبتني بر اعتماد توجه زيادي را به خود جلب كرده اند. يكي از ويژگي هاي مهم اعتماد كه معمولا در رويكردهاي موجود ناديده گرفته شده است، ويژگي وابستگي به زمينه است. منظور اين است كه كاربراني كه در يك زمينه خاص قابل اعتماد هستند، لزوما در زمينه هاي ديگر قابل اعتماد نيستند. بنابراين، سطح اعتماد ميان دو كاربر را بايد وابسته به زمينه هدف مورد بررسي قرار داد. براي پيش بيني ترجيحات يك كاربر در يك سيستم توصيه گر مبتني بر اعتماد، مي توان روابط اعتماد در هر زمينه را به صورت محلي يا سراسري مدل سازي نمود. زماني كه ماتريس امتيازات بسيار تنك باشد، مدل محلي اثربخشي لازم را نخواهد داشت و منجر به كاهش كيفيت پيشنهادها مي گردد. در چنين شرايطي، مي توان با بهره گيري از يك مدل سراسري، سطح اعتماد به يك كاربر را بر اساس شهرت وي در كل جامعه تعيين نمود. در اين مقاله، يك رويكرد جديد پيشنهاد مي شود كه از هر دو منبع اعتماد محلي و سراسري به صورت وابسته به زمينه بهره مي گيرد و بر اساس سطح تنكي داده ها، آن ها را وزن دهي و تركيب مي نمايد. نتايج آزمايش ها بر روي مجموعه داده MovieLens 1M نشان مي دهد كه ميانگين خطاي مطلق رويكرد پيشنهادي در مقايسه با رويكردهاي CATRA، HUIT و TSF، به طور متوسط به ترتيب 2/5%، 5/6% و 6/8% كمتر است. همچنين در مواجهه با مشكل تنكي داده ها، خطاي رويكرد پيشنهادي به طور متوسط بين 4% تا 8% پايين تر از رويكردهاي مذكور مي باشد.

No abstract