سیستم توصیه گر فیلم فیلتر اشتراکی مبتنی بر ضریب همبستگی بین کاربران و محاسبه میانگین وزنی امتیازات با دقت بالا

سیستم های توصیه گر، وظیفه راهنمایی و هدایت کاربر جهت انتخاب بهینه آیتم ها، مطابق با علائق و سلیقه های آنها را بر عهده دارند. علی رغم حدود سه دهه سابقه تحقیقات بر روی سیستم های توصیه گر، ولی موضوع مذکور هنوز یکی از چالش های تحقیقاتی به روز می باشد. این سیستم ها با شخصی سازی پیشنهادات، باعث صرفه جویی در وقت و افزایش رضایت کاربران می گردند. این سیستم ها در اغلب سایت های معتبر خارجی و داخلی مورد استفاده قرار گرفته اند. در سیستم های توصیه گر، مهم ترین و پرکاربردترین روش پالایش داده ها، روش پالایش اشتراکی می باشد. در این مقاله نسبت به پیاده سازی سه سیستم توصیه گر فیلتر اشتراکی مبتنی بر محاسبه ضریب همبستگی بین کاربران، انتخاب تعداد بهینه همسایه ها و محاسبه امتیازات وزنی اقدام شده و بهترین روش با کمترین خطا به عنوان مدل مورد نظر انتخاب شده است. ورودی سیستم داده های تحقیقاتی مووی لنز با حدود 100 هزار امتیاز می باشد. روش بکار رفته نسبت به آخرین مقاله ای که از روش همبستگی ترکیبی استفاده کرده است 3/29 درصد مقدار خطای rmse را بهبود می بخشد.

a collaborative filtering movie recommendation system based on users correlation and weighted k-means with high accuracy

a recommendation system is a bi tool that it uses data mining methods for guiding and helping the user to select the best items based on her/his preferences and in the shortest time. despite more than two decades of academic research on recommendation systems, this issue is still one of the most uptodate research challenges. recommendation systems save the users time, increase their satisfaction and their loyalty to sales sites and lead to the development of ecommerce, by personalizing the recommendations of goods or services to site users. nowadays, recommendation systems have many applications in various sectors of ecommerce, especially in media products such as books, movies, and music. the famous ecommerce sites such as ebay, amazon, and netflix and domestic sites such as digikala, divar, and filimo widely use recommendation systems. these systems use a variety of big data filtering methods to provide appropriate recommendations. the most important and widely used filtering method is collaborative filtering (cf). in this paper, we implement three cf recommender systems based on the correlation coefficient between users, selecting the optimal number of neighbors and calculating weighted scores for unwatched movies. the best method with the least error is selected as the desired model. we use movielens mllatestsmall 100k research dataset with 9742 movies and 610 users as input. the results showed 3.29% less rmse error compared with the latest research that has used the correlation method.