ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی

سیستم‌های توصیه‌گر با تحلیل و بررسی داده‌های متعلق به کاربران، یک سری آیتم‌های خاص را برمبنای علایق به کاربران پیشنهاد می‌کنند. هدف از آنالیز داده‌های مربوط به کاربران، استخراج الگوهای هر کاربر به منظور پیش‌بینی آیتم‌ها می‌باشد. یکی از مهمترین روش‌ها در سیستم‌های توصیه‌گر، روش فیلترینگ مشارکتی است. در سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی از معیارهای شباهت جهت کشف کردن کاربران مشابه با کاربر جدید برای ارائه پیشنهاد استفاده می‌شود. از چالش‌های سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی می‌توان به فاکتورهای شباهت و تشخیص همسایگی اشاره کرد. در این مقاله از روش نزدیک‌ترین همسایه به منظور تشخیص همسایگان مشابه به کاربر جدید برمبنای فاصله استفاده می‌کنیم. مدل پیشنهادی که برگرفته از روش کاربرآیتم است، امتیاز اقلام برمبنای فاصله محاسبه می‌شود و نزدیکترین فاصله به منظور تشابه انتخاب می‌شود. در مدل پیشنهادی، تشخیص کاربران مشابه براساس ماتریس کاربرآیتم توسط فاصله اقلیدسی انجام می‌شود. آزمایشات مدل پیشنهادی برروی مجموعه داده movielens که شامل 1682 آیتم است انجام شده است. برای ارزیابی از معیارهای دقت، فراخوانی، f1، میانگین خطای مطلق و میانگین خطای مربعات ریشه استفاده شده است. میانگین خطای مطلق در مدل پیشنهادی در مقایسه با شباهت پیرسون و کسینوسی کمتر است و مقدار آن برابر با 0.7315 می‌باشد. در نتیجه دقت مدل پیشنهادی در تشخیص تشابه و پیش‌بینی بیشتر است.

Presenting a novel method based on collaborative filtering for nearest neighbor detection in recommender systems

Recommendation systems propose specific items to users based on their interests by analysis the user data. The main goal of this analysis is extraction of each user pattern to predict the interested items. One of the main wellknown methods in recommender systems is collaborative filtering in which similarity measures are utilized to detect similar users to a new user. The challenging issues related to collaborative filtering are similarity and neighborhood detection. In this paper, nearest neighbor (NN) algorithm is used to detect similar neighbors to a new user. The proposed model, which is inspired by useritem method, the score of items is calculated based on a distance metric and the nearest neighbor is selected. In the presented work, we detect similar users using useritem matrix and the Euclidean distance. The proposed method is evaluated on Movielens dataset which includes 1682 items and evaluation metrics such as Accuracy, Precision, Recall, F1measure, Mean Absolute Error (MAE), and Root Mean Square Error (RMSE) are measured. MAE of the proposed method is 0.7351 which is less than Pearson and Cosine similarities, which demonstrates the superior performance of the proposed method in similarity detection and prediction.