تنوع بخشي شخصي سازي شده در سيستم توصيه گر با استفاده از الگوريتم شبيه سازي تبريد دو هدفه

افزايش حجم اطلاعات روي وب، موجب توليد ابزارهايي شد كه پيدا كردن اطلاعات مرتبط به كاربران را براي آنها آسان‌تر كنند. يكي از اين ابزارها كه امروزه جزء مهمي از سيستم‌هاي تجارت الكترونيكي است، سيستم‌ توصيه‌گر است. طراحي الگوريتم‌هاي توصيه معمولا با هدف بهبود دقت انجام مي‌شود؛ اما ثابت شده كه تمركز روي اين معيار به تنهايي براي ساخت يك توصيه‌گر خوب كافي نيست و توجه به ابعاد ديگر اين سيستم‌ها نيز ضروري است. يكي از معيارهاي مهم كه در سال‌هاي اخير مورد توجه قرار گرفته، تنوع اقلام ليست توصيه است. افزايش تنوع در توصيه‌ها منجر به كاهش دقت مي‌شود. مسالهي مطرح در اين رابطه، ميزان مناسب تنوع‌بخشي به توصيه‌ها است. از آنجا كه نياز هر كاربر به تنوع با كاربران ديگر متفاوت است، مي‌توان تنوع‌بخشي را متناسب با نياز هر كاربر انجام داد. در اين پژوهش روشي مبتني بر شبيه‌سازي تبريد دوهدفه ارائه مي‌شود كه با استفاده از آن مي‌توان براي هر كاربر يك ليست توصيه بهينه بر مبناي دو معيار دقت و تنوعِ شخصي‌سازي‌شده ايجاد كرد. نتايج اجراي روش پيشنهادي روي داده‌هاي Movielens و Netflix نشان مي‌دهد كه با اين روش تنوع‌بخشي شخصي‌سازي‌شده در ازاي حداكثر 35/5 درصد كاهش دقت نسبت به روش استاندارد پالايش مشاركتي انجام مي‌شود.