بهبود دقت سیستم‌‏های پیشنهاددهنده با تخمین اعتماد آگاه از زمان، مکان و زمینه بر اساس خوشه ‏بندی و توزیع بتا

در دهه‌‏های اخیر رویکرد محاسبه و اعمال اعتماد بین کاربران در طراحی سیستم‏های پیشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود این، اغلب سیستم‏های پیشنهاددهنده مبتنی بر اعتماد فقط از یک فاکتور برای تخمین مقدار اعتماد استفاده می‌‏کنند. در این مقاله یک رویکرد چندفاکتوری برای تخمین اعتماد بین کاربران سیستم‏های پیشنهاددهنده ارائه می‌‏شود. در طرح پیشنهادی، ابتدا کاربران سیستم براساس شباهت مبتنی بر اطلاعات دموگرافیک و تاریخچه ارزشیابی‏ها خوشه‌‏بندی می‌‏شوند. برای تخمین ارزشیابی کاربر فعال به یک آیتم خاص، مقدار اعتماد بین او و سایر کاربران هم‏خوشه‌‏اش با درنظرگرفتن فاکتورهای زمان، مکان، و زمینه ارزشیابی محاسبه می‌‏شود. برای این منظور، ما الگوریتمی مبتنی بر توزیع بتا معرفی می‏‌کنیم. یک معیار مبتنی بر درخت جدید برای محاسبه شباهت معنایی بین زمینه‌‏ها مورد استفاده قرار می‌‏گیرد. در نهایت،‌ ارزشیابی کاربر فعال با استفاده از میانگین‌‏گیری وزنی تخمین زده می‌‏شود که مقادیر اعتماد به عنوان وزن در میانگین‌‏گیری منظور می‌‏شوند. طرح پیشنهادی بر روی سه مجموعه‌‏داده مطرح اجرا شده و ارزیابی و مقایسه نشان می‌‏دهد که این طرح نتایج بهتری از نظر ملاک‏های دقت و کارآمدی نسبت به روش‏های موجود ارائه می‌‏کند.

improving precision of recommender systems using time-, location- and context-aware trust estimation based on clustering and beta distribution

calculation and applying trust among users has become popular in designing recommender systems in recent years. however, most of the trust-based recommender systems use only one factor for estimating the value of trust. in this paper, a multi-factor approach for estimating trust among users of recommender systems is introduced. in the proposed scheme, first, users of the system are clustered based on their similarities in demographics information and history of ratings. to predict the rating of the active user into a specific item, the value of trust between him and the other users in his cluster is calculated considering the factors i.e. time, location, and context of their rating. to this end, we propose an algorithm based on beta distribution. a novel tree-based measure for computing the semantic similarity between the contexts is utilized. finally, the rating of the active user is predicted using weighted averaging where trust values are considered as weights. the proposed scheme was performed on three datasets, and the obtained results indicated that it outperforms existing methods in terms of accuracy and other efficiency metrics.