طراحی سیستم پیشنهاددهندۀ ترکیبی برای حل مشکل شروع سرد به کمک خوشه‌بندی و الگوریتم‌ ازدحام ذرات آشوبی

امروزه یکی از مهم‌ترین چالش‌های افزایش اطلاعات، یافتن اطلاعات مورد علاقه از بین انبوه داده‌هاست. به این موضوع در طراحی سایت‌های تعاملی همواره توجه شده ‌است. سیستم‌های پیشنهاد دهنده برای حل این مسئله به وجود آمده‌اند تا به کاربران برای رسیدن به اطلاعات مورد نظرشان کمک کنند؛ اما این سیستم‌ها محدویت‌هایی دارند. یکی از مهم‌ترین چالش‌های پیش‌روی سیستم‌های پیشنهاد دهنده، مشکل شروع سرد است. این مشکل زمانی به وجود می‌آید که یک کاربر (قلم‌داده) جدید وارد سیستم می‌شود. عدم وجود اطلاعات قبلی از این کاربر (قلم‌داده) باعث می‌شود سیستم نتواند به‌طور عادی پیشنهادها را تولید کند. در این مقاله برای حل مشکل شروع سرد کاربر، روش جدیدی به کمک ترکیب مدل‌های مبتنی بر محتوا و فیلترمشارکتی ارائه شده است. در این روش، فهرست پیشنهادی دارای ویژگی‌هایی مانند کیفیت بالای قلم‌داده‌های پیشنهادی و تنوع ‌آن‌هاست که دامنۀ اطلاعات دریافتی از کاربر را به‌سرعت گسترش می‌دهد، به همین دلیل کاربران را سریع‌تر از حالت شروع سرد خارج می‌کند. همچنین با استفاده از اطلاعات دموگرافیک کاربر، سعی شده قلم‌داده‌های فهرست پیشنهادی به نحوی انتخاب شوند که به علایق کاربر نزدیک‌تر باشند تا دقت بیشتر شود. نتایج ارزیابی روش پیشنهادی نشان می‌دهد میزان خطای mae و rmse نسبت به روش‌های موجود تا حد مطلوبی کاهش یافته است.