سامانه پیشنهاددهنده ترکیبی با کمک واریانس رتبه‌بندی اقلام

مدل نزدیک‌ترین همسایگی (knn) و سامانه‌های توصیه‌گر مبتنی بر این مدل (krs) از موفق‌ترین سامانه‌های توصیه‌گر در حال حاضر در دسترس هستند. این روش‌ها شامل پیش‌بینی رتبه‌بندی یک آیتم بر اساس میانگین رتبه‌بندی آیتم‌های مشابه است. میانگین رتبه‌بندی آیتم‌های مشابه، با در‌نظر‌گرفتن تشابه تعریف شده، میانگین امتیازی را به هر آیتم، به‌عنوان ویژگی به آن خواهد داد. در این مقاله krs ایجاد‌شده با ترکیب رویکردهای زیر ارائه شده است: (الف) استفاده از میانگین و واریانس رتبه‌بندی اقلام به‌عنوان ویژگی‌های آیتم، برای یافتن موارد مشابه در (ikrs)؛ (ب) استفاده از میانگین و واریانس رتبه‌بندی کاربر به‌عنوان ویژگی‌های کاربر برای یافتن کاربران مشابه با krs کاربرپسند (ukrs)؛ (ج) استفاده از میانگین وزنی برای تلفیق رتبه‌بندی کاربران/آیتم‌های همسایه. (د) استفاده از یادگیری جمعی. سه روش پیشنهادی evmbr، ewvmbr و ewvmbr-g در این مقاله پیشنهاد داده شده است. هر سه روش مبتنی بر کاربر بوده، که در آن‌ها از فاصله vm  به‌عنوان معیار تفاوت بین کاربران/آیتم‌ها، برای یافتن کاربران/آیتم‌های همسایه استفاده و سپس به‌ترتیب از میانگین غیروزنی، وزنی و وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین، برای پیش‌بینی رتبه‌بندی کاربر ناشناخته استفاده می‌شوند. هر سه روش مبتنی بر کاربر بوده، که در آن‌ها از فاصله vm  به‌عنوان معیار تفاوت بین کاربران/آیتم‌ها، برای یافتن کاربران/آیتم‌های همسایه استفاده و سپس میانگین به‌ترتیب از میانگین غیروزنی، وزنی، وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین رتبه‌بندی، برای پیش‌بینی رتبه‌بندی کاربر ناشناخته استفاده می‌شوند. ارزیابی‌های تجربی نشان می‌دهد که سه روش پیشنهادی evmbr، ewvmbr و ewvmbr-g، که از یادگیری جمعی استفاده می‌کند، دقیق‌ترین روش در بین روش‌های ارزیابی شده است. بسته به مجموعه داده، روش پیشنهادی ewvmbr-g موفق به دست‌یابی به بیست تا سی درصد خطای مطلق کمتر از mbr اصلی شده است. از نظر زمان اجرا، روش‌های پیشنهادی قابل مقایسه با mbr و بسیار سریع‌تر از روش slope-one و روش‌های توصیه‌گر knn مبتنی بر کسینوس یا پیرسون هستند.

hybrid recommender system based on variance item rating

k-nearest neighbors (knn) based recommender systems (krs) are among the most successful recent available recommender systems. these methods involve in predicting the rating of an item based on the mean of ratings given to similar items, with the similarity defined by considering the mean rating given to each item as its feature. this paper presents a krs developed by combining the following approaches: (a) using the mean and variance of item ratings as item features to find similar items in an item-wise krs (ikrs); (b) using the mean and variance of user ratings as user features to find similar users with a user-wise krs (ukrs); (c) using the weighted mean to integrate the ratings of neighboring users/items; (d) using ensemble learning. three proposed methods evmbr, ewvmbr and ewvmbr-g are presented in this paper. all three methods are user-based, in which vm distance is used as a measure of the difference between users / items, to find neighboring users / items, and then the weighted average is weighted, respectively. also, weights based on the gaussian combined covariance model are used to predict unknown user ratings. our empirical evaluations show that the proposed method evmbr, ewvmbr and ewvmbr-g, which utilizes ensemble learning, are the most accurate among the methods evaluated. depending on the dataset, the proposed method ewvmbr-g managed to achieve 20 to 30 percent lower mean absolute error than the original mbr. in terms of runtime, the proposed methods are comparable to the mbr and much faster than the slope-one method and the cosine- or pearson-based knn recommenders.