ارائه یک روش فرا ابتکاری برای حل مشکل اقلام دنباله طولانی در سیستم های توصیه گر

سیستم های توصیه گر راه حلی برای ارائه پیشنهادهای مناسب به کاربران و کمک به آن ها در فرایند تصمیم گیری هستند. در بیشتر سیستم های توصیه گر، هدف پیشنهاد اقلامی متناسب با علایق کاربر بر اساس امتیازدهی های گذشته می باشد. تمرکز ِصرف بر امتیازدهی های پیشین، سبب مشکلات مختلفی از جمله نادیده گرفته شدن اقلام دنباله طولانی می گردد. اقلام دنباله طولانی، اقلامی هستند که توسط تعداد کمی از کاربران امتیازدهی شده اند و در نتیجه اغلب توسط سیستم های توصیه گر پیشنهاد نمی شوند. این امر سبب سوگیری سیستم توصیه به سمت پیشنهاد کالاهایی با محبوبیت بالای قبلی و نادیده گرفته شدن تنوع و تازگی در پیشنهادها می شود. برای حل این مشکل، در این مقاله از یک روش بهینه سازی چند هدفه به منظور افزایش دقت و افزایش شانسِ توصیه اقلام دنباله طولانی استفاده شده است. در روش پبشنهادی که بر روی مجموعه داده movielens اعمال شده است ابتدا با دسته بندی فیلم ها بر اساس تازگی (سال تولید)، دسته های متنوعی از اقلام ایجاد می شوند. سپس با اعمال الگوریتم nsgaii، دو هدف افزایش دقت و تنوع در اقلامِ پیشنهادی، دنبال می شود. نتایج حاصل از اعمال روش پیشنهادی بر روی مجموعه داده ذکرشده بیانگر آن است که روش پیشنهادی در عین حفظ دقتِ توصیه توانسته است تعداد اقلام دنباله طولانی در لیست های توصیه را نیز افزایش بخشد.

Proposing a Meta-Heuristic Approach for the Long Tail Problem of Recommender Systems

Recommendation systems are a solution for providing appropriate suggestions to users and helping them in the decision-making process. In the most recommendation systems, the purpose is to offer items tailored to the user’s interests based on the past scores. Focusing on the previous scores causes various problems including ignoring long tail items. Long tail items are those that are rated by a small number of users, therefor they are often not recommended by recommendation systems. This leads to the recommendation system bias towards offering previously popular items and ignoring the diversity and novelty of suggestions. To solve this problem, in this paper, a multi-objective optimization approach is used to increase the accuracy and chance of recommending long tail items. In the proposed method which is applied to the Movielens dataset, first, various groups of items are created by categorizing movies based on freshness (year of production). Then by applying the NSGAII algorithm, accuracy and diversity of suggested items are optimized. The results of applying the proposed method to the mentioned dataset indicate that the suggested method, while maintaining the accuracy of recommendation, has been able to increase the number of long tail items in the recommendation lists.