بهبود عملکرد و نتایج سیستم توصیه‌گر پالایش مشارکتی با استفاده از الگوریتم بهینه‌ساز گرگ خاکستری فازی غنی‌شده با الگوریتم بهینه‌سازی شیر

امروزه سیستم توصیه‌گر، روش پالایش اطلاعات بین وب‌سایت‌ها و کاربران را به‌منظور شناسایی علاقه کاربر و ایجاد محصول پیشنهادی برای کاربران فعال تغییر داده است. سیستم‌های توصیه ‌گر را به‌طورکلی به سه گروه مبتنی بر محتوا، مبتنی بر دانش و مبتنی بر پالایش مشارکتی و در بعضی موارد ترکیبی تقسیم می‌کنند. ایده اصلی پالایش مشارکتی این است که اگر کاربران علایق مشابه یا یکسان در گذشته داشته باشند و آن را به ‌اشتراک بگذارند، در آینده نیز احتمالاً سلیقه‌ های مشابه خواهند داشت. این رویکرد نیاز به هیچ دانشی در مورد آیتم‌ ها ندارد. پالایش مشارکتی نیز دارای دو نوع اصلی مبتنی بر حافظه و مبتنی بر مدل است. روش مبتنی بر حافظه از اطلاعات امتیازدهی کاربران برای محاسبه شباهت بین کاربران یا آیتم‌‏ها استفاده می ‌کند. هدف اصلی این پژوهش نیز ارائه یک سیستم پیشنهاددهنده مبتنی بر حافظه برای بهبود نتایج الگوریتم پالایش مشارکتی است. در روش پیشنهادی برای یافتن شبیه‌ ترین کاربران به کاربر هدف از ترکیب دو الگوریتم گرگ خاکستری فازی و الگوریتم شیر استفاده شده است. نتایج اجرای روش پیشنهادی نشان می ‌دهد که پارامترهای precision، recall و fmeasure نسبت به روش‌ های پایه افزایش یافته‌اند.

Improving Collaborative Filtering Recommender System Results and Performance using Combination of Fuzzy Grey Wolf Optimizer Algorithm and Lion Optimization Algorithm

Nowadays, recommender systems have reshaped the ways of information filtering between websites and the users in order to identify the users’ interests and generate product suggestions for the active users. Recommender systems are generally divided into three groups: Contentbased, Knowledgebased, and collaborativebased, and in some cases hybrid. The main idea of collaborative filtering is that they predict a user’s interest in new items based on the recommendations of other people with similar interests. This Approach does not require having knowledge about items. Collaborative filtering has two main types: Memorybased and Modelbased. Memory based Collaborative filtering makes use of user rating dataset to compute similarity index between set of users or set of items. The main purpose of this article is to offer a Memorybased Collaborative recommender system in order to optimize the results of Collaborative filtering algorithm. In the proposed method, the combination of fuzzy Grey Wolf Optimizer algorithm and Lion Optimization Algorithm is used to find the most similar users to the target user. The results of the proposed method confirmed a significant increment in Precision, Recall and Fmeasure in comparison with baseline methods.