بهبود کارایی سیستم‌های توصیه‌گر در مواجه با مساله شروع سرد با استفاده از تحلیل رفتار کاربران در شبکه‌های اجتماعی

هدف سیستم‌های توصیه‌گر معرفی آیتم‌هایی به کاربران است که می‌تواند موردعلاقه آنها باشد. یکی از چالش‌های اصلی که عملکرد سیستم ‌های توصیه‌گر را تحت‌تاثیر قرار می‌دهد مشکل شروع سرد است. زمانی که کاربر یا آیتم جدیدی به مجموعه اضافه می‌شود، سیستم به دلیل عدم اطلاعات کافی نمی‌تواند پیشنهادهای مناسبی را ارائه کند. در این مقاله رویکردی ارائه می‌شود که در آن از داده‌ های رسانه‌های اجتماعی مانند توئیتر برای ایجاد یک پروفایلِ رفتاری استفاده می‌ شود. سپس با استفاده از تکنیک‌های یادگیری ماشین، پروفایل‌ های کاربران خوشه‌ بندی می‌ شوند. براساس این خوشه ‌بندی‌ ها پیش‌ بینی‌ هایی با استفاده از الگوریتم های جنگل تصادفی و ارتقای گرادیان ایجاد می‌ شود. بنابراین کاربر مجبور نخواهد بود هیچ نوع داده‌ای را به طور صریح ارائه دهد و با کمک اطلاعات شبکه‌ های اجتماعی کاربران، مشکل شروع سرد کاهش می‌ یابد. بدین ترتیب که با این داده‌ ها، یک پروفایل کاربری ایجاد شده و به عنوان ورودی سیستم توصیه‌ گر استفاده می‌ شود. آزمایش‌ های متعددی انجام شد و در مقایسه با برخی از الگوریتم ‌های جدید شروع سرد، نتایج رضایت‌ بخش بود. در این مقاله به این نتیجه رسیده ‌ایم که فرایند خوشه‌ بندی میزان دقت عملکرد مدل ‌ها را بالا می‌ برد و میانگین خطای مطلق را کاهش می‌ دهد و همچنین الگوریتم ارتقای گرادیان نسبت به الگوریتم جنگل تصادفی از کارایی بهتری برخوردار است.

improving the performance of recommender systems in the face of the cold start problem by analyzing user behavior on social network

the goal of recommender system is to provide desired items for users. one of the main challenges affecting the performance of recommendation systems is the cold-start problem that is occurred as a result of lack of information about a user/item. in this article, first we will present an approach, uses social streams such as twitter to create a behavioral profile, then user profiles are clustering with machine learning techniques. based on this clustering, predictions are made using machine learning techniques such as the random forest algorithm (rf) and the gradient boosting algorithm (gb). therefore, the user is not required to provide any kind of data explicitly anymore. as a result of this method, cold start problem will decrease among users’ social networks. because the system uses this data to create user profiles, this will be an input for recommender systems. numerous experiments have been performed in this field and compared to some new cold start algorithms; very satisfactory results have been obtained. in this paper, we have concluded that the clustering process greatly increases the performance accuracy of the models and reduces the average absolute error, and also the gradient boosting algorithm has a better performance than the random forest algorithm.