سيستم پيشنهاددهنده مبتني بر مشاركت و آنتولوژي

Recommendation System Based On Collaborating and Ontology

اخيراً سيستم‌هاي برچسب‌زني مردمي به صورت روزافزون در حال افزايش يافتن و متداول شدن مي باشد. اين سيستم‌ها به كاربران اجازه مي دهند منابع مورد نياز خود را به صورت آزادانه سازماندهي، مديريت و جستجو نمايند. از چالش‌هاي اين نوع سيستم ها مي توان به حجم بالاي داده ، داده هاي ناسازگار، استفاده از الگوريتم‌هاي زمان‌بر يادگيري ماشين، زمان طولاني براي ارايه پيشنهاد به كاربر، صحت پايين در ارايه پيشنهادات و عدم قابليت اجرا در دنياي واقعي اشاره نمود. اين چالش‌ها سبب افزايش روزافزون تحقيقات در سالهاي اخير شده است. در اين مقاله سيستم پيشنهاد دهنده تركيبي منبعي معرفي نموده ايم كه با به‌كارگيري اطلاعات مهم موجود در سيستم هاي برچسب زني مانند زمان و همچنين آنتولوژي موجود، صحت نتايج پيشنهادي را بهبود داده است. ارزيابي سيستم پيشنهادي بر روي مجموعه داده استخراج ‌شده از سايت movielens.org انجام شده است. نتايج به دست آمده از آزمايش ها، بهبود صحت پيشنهادات و كارايي اين سيستم در مقابل ساير روش ها را نشان مي‌دهد.

Recently, social tagging systems have been increased. These systems allow users to organize, manage, and search the required resource freely. The challenges of such recommendation systems are large-scale data, inconsistent data, usage of time-consuming machine learning algorithms, long and unreasonable time of recommendation, low accuracy in recommendation result, and not being scalable to the demands of real world applications. Recently, more efforts have been conducted to shed more light on these problems. In this paper, an item recommendation system is proposed that by using important available information in tagging systems, e. g. time, and also using available ontology, the accuracy of recommended results has been improved. The evaluation of the proposed system is performed on a dataset collected from movielens.org. The obtained results demonstrated the efficiency and accuracy of the proposed system.