ارائه یک سامانه پیشنهادگر حافظه پایه ترکیبی با استفاده از هستان‌شناسی و محتوا

سامانه ‌های پیشنهادگر در زمینه تجارت الکترونیک شناخته شده هستند. از این ‌گونه سیستم‌ها انتظار می‌ رود که کالاها و اقلام مهمی (از جمله موسیقی و فیلم) را به مشتریان پیشنهاد دهند. در سامانه‌های پیشنهادگر سنتی از جمله روش های پالایش محتوا پایه و پالایش مشارکتی، چالش‌ ها و مشکلات مهمی از جمله شروع سرد، مقیاس‌ پذیری و پراکندگی داده‌ ها وجود دارد. اخیراً به‌ کارگیری روش‌ های ترکیبی توانسته با بهره‌ گیری از مزایای این روش‌ ها با هم، برخی از این چالش‌ ها را تا حد قابل قبولی حل نمایند. در این مقاله سعی می ‌شود روشی برای پیشنهاد ارائه شود که ترکیبی از دو روش پالایش محتوا پایه و پالایش مشارکتی (شامل دو رویکرد حافظه پایه و مدل پایه) باشد. روش پالایش مشارکتی حافظه پایه، دقت بالایی دارد، اما از مقیاس‌ پذیری کمی برخوردار است. در مقابل، رویکرد مدل پایه دارای دقت کمی در ارائه پیشنهاد به کاربران بوده اما مقیاس‌ پذیری بالایی از خود نشان می ‌دهد. در این مقاله سامانه پیشنهادگر ترکیبی مبتنی بر هستان ‌شناسی ارائه شده که از مزایای هر دو روش بهره برده و براساس رتبه‌ بندی ‌های واقعی، مورد ارزیابی قرار می ‌گیرد. هستان‌شناسی، توصیفی واضح و رسمی برای تعریف یک پایگاه دانش شامل مفاهیم (کلاس‌ ها) در حوزه موضوعی، نقش‌ ها (رابط ‌ها) بین نمونه‌ های مفاهیم، محدودیت ‌های مربوط به رابطه‌ ها، همراه با یک مجموعه از عناصر و اعضا (یا نمونه ‌ها) است که یک پایگاه دانش را تعریف می ‌کند. هستان ‌شناسی در بخش پالایش محتوا پایه مورد استفاده قرار می ‌گیرد و ساختار هستان‌شناسی توسط تکنیک ‌های پالایش مشارکتی بهبود می ‌یابد. در روش ارائه‌شده در این پژوهش، عملکرد سیستم پیشنهادی بهتر از عملکرد پالایش محتوا پایه و مشارکتی است. روش پیشنهادی با استفاده از یک مجموعه‌داده واقعی ارزیابی شده است و نتایج آزمایش ها نشان می‌دهد روش مذکور کارایی بهتری دارد. همچنین با توجه به راه‌کارهای ارائه‌شده در مقاله حاضر، مشخص شد، روش پیشنهادی دقت و مقیاس‌ پذیری مناسبی نسبت به سامانه‌های پیشنهادگری دارد که صرفاً حافظه پایه (knn) و یا مدل پایه هستند.

A New WordNet Enriched Content-Collaborative Recommender System

The recommender systems are models that are to predict the potential interests of users among a number of items. These systems are widespread and they have many applications in realworld. These systems are generally based on one of two structural types: collaborative filtering and content filtering. There are some systems which are based on both of them. These systems are named hybrid recommender systems. Recently, many researchers have proved that using content models along with these systems can improve the efficacy of hybrid recommender systems. In this paper, we propose to use a new hybrid recommender system where we use a WordNet to improve its performance. This WordNet is also automatically generated and improved during its generation. Our ontology creates a knowledge base of concepts and their relations. This WordNet is used in the content collaborator section in our hybrid recommender system. We improve our ontological structure via a content filtering technique. Our method also benefits from a clustering task in its collaborative section. Indeed, we use a passive clustering task to improve the time complexity of our hybrid recommender system. Although this is a hybrid method, it consists of two separate sections. These two sections work together during learning.Our hybrid recommender system incorporates a basic memorybased approach and a basic modelbased approach in such a way that it is as accurate as a memorybased approach and as scalable as a modelbased approach. Our hybrid recommender system is assessed by a wellknown data set. The empirical results indicate that our hybrid recommender system is superior to the state of the art methods. Also, our hybrid recommender system is more accurate and scalable compared to the recommender systems, which are simply memorybased (KNN) or basic modelbased. The empirical results also confirm that our hybrid recommender system is superior to the state of the art methods in terms of the consumed time.While this method is more accurate than modelbased methods, it is also faster than memorybased methods. However, this method is not much weaker in terms of accuracy than memorybased methods, and not much weaker in terms of speed than modelbased methods.