ارائه یک سیستم توصیه گر اثربخش با به کارگیری روابط اعتماد محلی و سراسری آگاه از زمینه

با رشد سریع و مداوم اینترنت، ضرورت وجود سیستم‌های توصیه‌گر جهت پالایش اطلاعات افزایش یافته است. در طی سال‌های اخیر، به‌دلیل محبوبیت شبکه‌های اجتماعی، سیستم‌های توصیه‌گر مبتنی بر اعتماد توجّه زیادی را به خود جلب کرده‌اند. یکی از ویژگی‌های مهم اعتماد که معمولاً در رویکردهای موجود نادیده گرفته شده است، ویژگی وابستگی به زمینه است. منظور این است که کاربرانی که در یک زمینه خاص قابل اعتماد هستند، لزوماً در زمینه‌های دیگر قابل اعتماد نیستند. بنابراین، سطح اعتماد میان دو کاربر را باید وابسته به زمینه هدف مورد بررسی قرار داد. برای پیش‌بینی‌ ترجیحات یک کاربر در یک سیستم توصیه‌گر مبتنی بر اعتماد، می‌توان روابط اعتماد در هر زمینه‌ را به‌صورت محلی یا سراسری مدل‌سازی نمود. زمانی‌که ماتریس امتیازات بسیار تنک باشد، مدل محلی اثربخشی لازم را نخواهد داشت و منجر به کاهش کیفیت پیشنهادها می‌گردد. در چنین شرایطی، می‌توان با بهره‌گیری از یک مدل سراسری، سطح اعتماد به یک کاربر را بر اساس شهرت وی در کل جامعه تعیین نمود. در این مقاله، یک رویکرد جدید پیشنهاد می‌شود که از هر دو منبع اعتماد محلی و سراسری به‌صورت وابسته به زمینه بهره ‌‌می‌گیرد و بر اساس سطح تنکی داده‌ها، آن‌ها را وزن‌دهی و ترکیب می‌نماید. نتایج آزمایش‌ها بر روی مجموعه داده movielens 1m نشان می‌دهد که میانگین خطای مطلق رویکرد پیشنهادی در مقایسه با رویکردهای catra، huit و tsf، به‌طور متوسط به ترتیب 2.5%، 5.6% و 6.8% کمتر است. همچنین در مواجهه با مشکل تنکی داده‌ها، خطای رویکرد پیشنهادی به‌طور متوسط بین 4% تا 8% پایین‌تر از رویکردهای مذکور می‌باشد.