سیستم توصیه گر معنایی وب بر اساس پروفایل کاربر با استفاده از حداکثرسازی نفوذ در شبکه کاربران مشابه و یادگیری عمیق

سیستم های توصیه گر صفحات وب در راستای ارائه پیشنهادات مرتبط با محتوای وب سایت ها و صفحات اینترنتی به کاربران به منظور کاهش سربار اطلاعاتی مورد استفاده قرار می گیرند. این سیستم ها با استفاده از تحلیل نظرات و بازخوردهای کاربران ، میتوانند الگوهای رفتاری و ترجیحات کاربران را شناسایی کرده و بر اساس آنها پیشنهادات مناسب ارائه دهند. در این مقاله از ترکیب مسئله به حداکثر رساندن تاثیر اجتماعی و فیلتر مشارکتی مبتنی بر شبکه خودرمزگذار عمیق برای تخمین رتبه بندی کاربران در شبکه کاربران مشابه بر اساس نظرات کاربران استفاده شده است. روش پیشنهادی با یافتن شبکه کاربران مشابه بر اساس نظرات کاربران، اقدام به یافتن کاربران تاثیر گذار بر اساس الگوریتم ژنتیک می نماید.کاربران تاثیرگذار، گروه کاربران مشابه از نظر رتبه بندی را به عنوان ورودی شبکه خودرمزگذار عمیق تشکیل می دهند که خروجی آن تخمین رتبه بندی کاربران جدید است. در نهایت توصیه های بازدید وب بر اساس فیلتر مشارکتی حاصل از پیش بینی آیتم های مورد علاقه کاربران تاثیرگذرا برای 95.31 % و ،0.0025 ، به ترتیب برابر با 0.0024 accuracy و hit rate ،rmse ،mae کاربران جدید ارائه می شود. روش پیشنهادی با مقدار 95.08 نسبت به سایر روش های پیشین نتایج بهتری به دست آورده است.