استفاده از خوشه‌بندي سلسله مراتبي براي بهبود پيشنهاد منابع مبتني بر برچسب

ResRec: Using Hierarchical Clustering to Improve Tag-based Resource Recommendation

اخيراً سيستم‌هاي برچسب‌زني اجتماعي به صورت روز افزون متداول شده و در حال افزايش مي‌باشد. اين سيستم‌ها به كاربران اجازه مي‌دهد تا منابع مورد نياز خود را به صورت آزادانه سازماندهي، مديريت و جستجو نمايند. از چالش‌هاي اين نوع سيستم‌ها مي‌توان به حجم بالاي داده، داده ناسازگار، استفاده از الگوريتم‌هاي زمانبر يادگيري ماشين و عدم قابليت اجرا و تطبيق در دنياي واقعي اشاره نمود. اين چالش‌ها سبب افزايش روز افزون تحقيقات در سالهاي اخير شده است. راهكار اين چالش‌ها سيستم‌هاي پيشنهاد دهنده مي‌باشد، به همين دليل سيستم پيشنهاد دهنده منابع را بر اساس برچسب معرفي نموده‌ايم كه توانايي كمك به كاربر در انتخاب منبع مناسب و يكپارچه نمودن اين منابع در بين تمام كاربران را پوشش مي‌دهد. اين سيستم به دليل تركيب و يكپارچه نمودن روش‌هاي مبتني بر محتوا، مبتني بر مشاركت، كلمات مرتبط و پروفايل كاربر سبب حذف مشكل شروع- سرد در ابتداي كار سيستم مي‌شود. اگر سيستم داراي هيچ اطلاعاتي نباشد و براي اولين بار اقدام به فعاليت نمايد، با استفاده از محتواي منبع و كلمات مرتبط اقدام به ارايه پيشنهاد به كاربر مي‌كند كه اين بزگترين مزيت سيستم مي‌باشد. در اين سيستم، پيشنهادات بر اساس علايق شخصي كاربر، علايق كاربران مشابه، محتواي منابع مورد نظر و پايگاه‌هاي اطلاعاتي مرتبط با هستي‌شناسي و كلمات مرتبط انجام مي‌شود. ارزيابي سيستم پيشنهادي بر روي مجموعه داده استخراج شده از سايت دليشز انجام شده است. نتايج به دست آمده از آزمايشها، بهبود صحت در ارايه پيشنهادات و كارايي اين سيستم را در مقابل روش پيشنهاد تركيبي تا 67 درصد افزايش مي‌دهد.

Nowadays due to increase volume of data, finding correct and accurate data become significant challenge which without computer systems that is impossible. Then, we always need a system which can find suitable information in short time within vast of data. Recommendation systems are solution of this problem. Recommendation systems by using Data Mining technique can provide appropriate offers and choose prominent information from among large of data. In this system if the user logged for first time, as his/her profile is null, so by using approach based on collaboration any similar user for this user is not found which represent Cold-Start problem. Therefore, it is introduced resource recommendation system based on tagging which can help users for choosing suitable resource and integrating resource among all users. The present method resolved Cold-Start problem in the beginning executes system by combined and integrated methods based on content, collaboration, related words and user profile. If system does not contain any information and start work for first time, it is recommend to user by using resource content and related words that means it is greatest advantage of present system rather than previous systems. The proposed system offers to user based on userʹs personal interests, interests of similar users, content resources, databases which associated with ontology and related words. The results of experiment reveal that in present system accuracy and efficiency offers improved versus other methods.