سیستم توصیه‌گر فیلم ابتکاری با استفاده از روش تجزیه ماتریس به مقادیر منفرد با ابعاد کاهش یافته تکرار شده

سیستم‌های توصیه‌گر یکی از ضروری ترین ابزارهای هوشمندسازی تجارت الکترونیک است. این سیستم‌ها با انواع مختلف روش‌های فیلتر­کردن داده‌ها و داده‌کاوی، قادر به انتخاب و ارایه بهترین پیشنهادات از بین انبوه موارد قابل انتخاب برای مشتریان هستند. در بین روش‌های متنوع سیستم‌های توصیه‌گر، فیلترهای اشتراکی پرکاربردترین روش برای ارایه پیشنهادات است. فیلترهای اشتراکی دامنه وسیعی از الگوریتم‌ها را شامل می‌شود و در این بین، روش تجزیه ماتریس به مقادیر منفرد یکی از مدل‌های پیشرفته در فیلتر اشتراکی است. در این مقاله به ارایه مدلی بهینه شده از سیستم توصیه‌گر فیلم مبتنی بر روش تجزیه مقادیر منفرد پرداخته شده که ضمن کاهش ابعاد ماتریس و کاهش حجم محاسبات و حافظه، با روش تکرار جاگذاری، دارای دقت مناسب نسبت به روش تجزیه ماتریس به مقادیر منفرد ساده و سایر روش‌های دیگر است. برای این پژوهش از مجموعه دیتاست‌های 100 هزار امتیازی مووی لنز و از برنامه نویسی پایتون استفاده شده‌است. ارزیابی میزان خطا با روش‌های جذر میانگین مربعات خطا و میانگین قدر مطلق خطا، نشان از بهبود مناسب نسبت به روش‌های مشابه در مراجع دیگر دارد.

A Novel Movie Recommendation System with Iterated Truncated Singular Value Decomposition (ITSVD)

Recommendation systems are one of the most essential tools for ecommerce intelligence. These systems with different types of data filtering methods are able to offer the best recommendations from a multitude of selectable items. Collaborative Filtering is the most widely used method of filtering data to make recommendations. One of the advanced models for predicting ratings in the Collaborative Filtering is the Singular Value Decomposing (SVD). In this paper, an optimized model of the film recommending system based on the SVD method is developed, which while reducing the dimensions of the matrices and the volume of computations and memory, and with iteration replacement method, has appropriate accuracy compared with other methods. For this research, a set of 100k Movie Lens datasets and Python programming have been used. Evaluation of error rate with root mean square error (RMSE) and mean absolute error (MAE) value shows a good improvement over similar methods in other references.vv