بهبود پالایش مشارکتی در سامانه های توصیه‌گر با کمک خوشه‌بندی فازی c– میانگین مرتب ‌شده و الگوریتم ازدحام ذرات تطبیقی – آشوبی

سامانه های توصیه‌گر زیرمجموعه‌ای از سامانه های هوشمند پالایش اطلاعات هستند که در فضای اینترنت علایق کاربر را شناسایی نموده و توصیه‌های مرتبط با سلیقه‌ی کاربر را ارائه می‌دهند. پالایش مشارکتی مبتنی بر کاربر، از مهم‌ترین انواع سیستم‌های توصیه‌گر است. از مهم‌ترین چالش‌ها در این سیستم‌ها پراکندگی و حجم زیاد داده‌ها است که بر کارایی آن‌ها اثرگذار است. در روش پیشنهادی، برای اولین بار از الگوریتم خوشه‌بندی فازی c-میانگین مرتب‌شده و الگوریتم‌ تکاملی ازدحام ذرات تطبیقی آشوبی برای خوشه‌بندی کاربران استفاده‌ شده ‌است. هدف روش پیشنهادی بهبود میزان خطای پیش‌بینی در مجموعه داده‌های حجیم با پراکندگی زیاد و کاهش تاثیر داده های پرت و نویز است. به منظور ارزیابی و اثبات کارایی روش پیشنهادی، آزمایش‌هایی روی پایگاه داده‌های واقعی اجرا شده‌ است. نتایج آزمایش‌ها نشان‌دهنده‌ی برتری روش پیشنهادی نسبت به روش‌های مرز دانش بر اساس معیارهای میانگین خطای مطلق، جذر میانگین مربعات خطا، نرخ صحت و زمان محاسباتی است. 

improving collaborative recommender systems by integrating fuzzy c-ordered means clustering and chaotic self-adaptive particle swarm optimization algorithm

recommender systems are a subset of intelligent information filtering systems that discovers user interests and provide user-friendly recommendations. user-based collaborative filtering recommender systems is one of the most important types of recommender systems. however, they are faced with voluminous data and sparsity problems that have negative effects on the performance of the systems. in the proposed method, fuzzy c-ordered means clustering algorithm is integrated with a chaotic self-adaptive particle swarm evolutionary algorithm for clustering users. the proposed method aims to improve the rating prediction in large sparse datasets and reduce the negative impact of outliers and noisy data. experiments have been conducted on real-world datasets to evaluate and prove the efficiency of the proposed method. experimental results show the superiority of the proposed method that the state-of-the-art methods based on prediction error criteria, accuracy rates, and the computational time.