یک سامانه توصیه کاربر مبتنی بر فیلتر مشارکتی در اینترنت اجتماعی اشیاء

اینترنت اجتماعی اشیاء (siot) یک زمینه تحقیقاتی نوظهور است که از ترکیب اینترنت اشیاء (iot) و شبکه‌های اجتماعی سرچشمه می‌گیرد. با تعداد زیادی از کاربران و اشیای هوشمند و حجم بالای روابط که در اینترنت اجتماعی اشیا وجود دارند، یک سامانه توصیه بسیار ضروری است تا به کاربران کمک کند اشیا هوشمند مورد نیاز خود و یا حتی کاربران مناسب به عنوان دوستان یا همکاران آینده را پیدا کنند. به علاوه siot پتانسیل ایجاد فرصت‌های جدید برای سامانه‌های توصیه را دارد، زیرا می‌تواند از داده‌های اجتماعی برای ارائه توصیه‌های مرتبط‌تر و شخصی‌سازی شده برای توصیه خدمات در اینترنت اشیا استفاده کند. از طرف دیگر در سامانه‌های توصیه‌ در شبکه‌های اجتماعی، استفاده از داده‌های موجود در اینترنت اشیاء موجب دقت بیشتر در پیشنهادها می‌شود. در این مقاله یک سامانه توصیه برای اینترنت اجتماعی اشیا طراحی شده است. در فاز اول این روش پیشنهادی با استفاده از اولویت کاربران برای استفاده از دستگاه‌های هوشمند به علاوه‌ی زمان و مکان استفاده از دستگاه هوشمند، تشابه کاربران در اینترنت اشیا بدست می‌آید. در فاز دوم تشابه روابط و تشابه پروفایل محاسبه می‌شود. در نهایت با بدست‌آوردن مجموع تشابه‌های موجود، k کاربر با بالاترین شباهت با کاربر مورد نظر برای یافتن دوستان و همکاران آینده، توصیه می‌شود. در این روش پیشنهادی معیارهای ارزیابی نسبت به روش‌های مشابه حدودا 5٪ بهبود داشته‌اند و به دلیل وجود تشابه پروفایل برای بهبود شروع سرد نیز اثربخش است. به علاوه با حذف کاربران نا‌امن از مجموعه پیشنهادی امنیت این سامانه پیشنهادی تا حد قابل توجهی تامین می‌شود.

a user recommendation system based on collaborative filtering in the social internet of things

social internet of things (siot) is an emerging research field that originates from the combination of internet of things (iot) and social networks. with the large number of users and smart objects and the high volume of relationships that exist in the social internet of things, a recommendation system is very necessary to help users find the smart objects they need or even suitable users as friends or future colleagues. in addition, siot has the potential to create new opportunities for recommender systems, as it can use social data to provide more relevant and personalized recommendations for recommending services in the internet of things. on the other hand, in recommendation systems in social networks, the use of data available in the internet of things makes suggestions more accurate. in this article, a recommendation system for the social internet of things is designed. the first phase of this proposed method obtains the similarity of users in the internet of things by using the preference of users to use smart devices plus the time and place of using the smart device. in the second phase, relationship similarity and profile similarity are calculated. finally, by obtaining the sum of existing similarities, k-top users with the highest similarity with the target user are recommended to find future friends and colleagues. in this proposed method, the evaluation criteria have improved by about 5% compared to similar methods, and due to the similarity of the profile, it is also effective for improving cold start. in addition, by removing insecure users from the proposed set, the security of this proposed system is provided to a significant extent.