بهبود سیستم‌های توصیه گر مبتنی بر برچسب با استفاده از آنتولوژی

با توجه به اضافه‌بار اطلاعات در شبکه­ی گسترده­ی جهانی، کاربر در انتخاب اقلام با مشکل مواجه است. سرویس‌های فهرست بندی اجتماعی به کاربران اجازه می­دهند که محصولات یا خدمات را استفاده کرده و نظرات و تجربیات خود را به اشتراک بگذارند که نه‌تنها برای خود، بلکه برای کاربران دیگر نیز موثر واقع می­شوند. سیستم‌های توصیه­گر با توجه به رفتار کاربران و ویژگی‌های محصولات، توانستند تاثیر بسزایی در انتخاب اقلام بگذارند. در این مقاله یک روش توصیه مبتنی بر برچسب، با توجه به احساسات منعکس‌شده در برچسب­های کاربر پیشنهاد شده است. عملکرد روش پیشنهادی به این صورت است که امتیاز احساسی برچسب ها با دیگر اطلاعات دریافت شده از کاربر و همچنین اطلاعات محتوایی اقلام، ترکیب شده و میزان شباهت میان آن‌ها بدست آورده می‌شود. این فرآیند درنهایت، به بهبود عملکرد سیستم توصیه­گر کمک می­کند. آزمایش روش پیشنهادی بر روی پایگاه داده­ی واقعی movielense نشان می­دهد که این روش، عملکرد بهتری نسبت به کارهای قبلی دارد و در پیش‌بینی رتبه، خطا را کاهش و دقت را افزایش داده است.

Enhancing Tag-Based Recommender System Using Ontology

Due to the information overload on the World Wide Web, the user suffers from difficulty in selecting items. Social cataloging services allow users to use products or services and share their opinions and experiences, which are effective not only for themselves, but also for other users. Considering user behavior and product features as the two determining factors, recommender systems have significantly influenced the item selection process. In this paper, according to the emotions reflected in the user tags, a tag-based recommendation method is proposed. The method works in the following way: information related to these emotions, along with other information received from the user as well as the content information of the items results in obtaining the degree of similarity between them. This process ultimately helps to improve the performance of the recommender systems. Testing the abovementioned process on a real database, namely Movielense, showed that the proposed method performed better than previous ones and has reduced errors and increased accuracy in predicting ratings.