مقایسه تاثیر تحلیل احساسات و رتبه‌بندی کاربران بر عملکرد سیستم‌های پیشنهاد‌دهنده

در سال های گذشته، ظهور شبکه های اجتماعی منجر به افزایش توجه به سمت سیستم های پیشنهاد‌دهنده مبتنی بر نظرها شده است. هدف از توسعه چنین سیستم هایی استفاده از اطلاعات ارزشمند نظرهای متنی کاربران در فرایند الگو سازی و ارائه پیشنهاد است. در محیط شبکه های اجتماعی به‌طور معمول سیستم های پیشنهاددهنده مبتنی بر پالایه نمودن مشارکتی برای ارائه توصیه به کاربران استفاده می شود. اساس کار این رویکرد، تجربه و نظر سایر افراد برای خرید اقلام و محصولات است. در این پژوهش سیستمی برای ارائه توصیه به کابران برای خرید کتاب با ترکیب فیلتریگ مشارکتی و تحلیل احساسات ارائه شد. برای تحلیل احساسات از الگو های ترکیبی برای استخراج عقاید نظرهای کاربران استفاده شد. در رویکرد ترکیبی از رای‌گیری مبتنی بر وزن جهت الگو سازی استفاده گردیده است. الگو پیاده‌سازی‌شده بر نظرهای 7210 کاربر و خریدار کتاب تارنمای آمازون که از راه  خزنده وب از تارنما آمازون استخراج شده‌اند، ارزیابی شده است. برای ارائه توصیه به کاربران پس از تشکیل پروفایل اقلام، شباهت میان اقلام استخراج می شود و در انتها اقلام مشابه با محصولاتی که هر کاربر به آن نمره خوبی داده است، به‌عنوان محصول پیشنهادی ارائه می شود. نتایج نشان می دهند تحلیل احساسات نظر کاربران بر پیشنهاد کالاهای مورد‌علاقه کاربر و عملکرد سیستم های پیشنهاددهنده تاثیر مثبتی دارد.

comparing the effect of sentiment analysis and user ratings on the performance of recommender systems

in recent years, the emergence of social networks has led to an increasing attention to recommender systems based on user reviews. the purpose of developing such systems is to use valuable information from users’ textual comments in the process of modeling and recommending. user comments reflect the actual opinions on the products and services, so they are a valuable resource for recommending. in social networking environments, collaborative filtering systems are used to provide advice to users. the basis of this approach is the experience and opinion of the other people to buy items and products. this approach is based on the assumption that users who have the same interest have a similar rank. in this research, a system is proposed to provide recommend for users to buy books by combining the collaborative filtering and sentiment analysis. for sentiment analysis, ensemble methods based on weighted voting have been used to extract user’s opinions. in the weighting method, a greater weight is assigned to a classifier which has higher accuracy. the selected model has been evaluated on the 7210 user’s comment which extracted from the amazon website by the web crawler. the results show that the sentiment analysis of the feeling of the users’ comments systems has a positive effect on the performance of recommender systems.