ارائه­ی روشی برای تولید پیشنهادهای بدیع مختص هر کاربر در سیستم توصیه گر چند معیاری

سیستم توصیه گر یکی از ابزارهای ارزشمند در حوزه ی تجارت الکترونیک است. در این سیستم ترجیحات کاربر پیش بینی ، و از بین انبوه کالاهای موجود، کالای متناسب با نیاز و علایق هرکاربر به او پیشنهاد می شود. در سیستم های توصیه گر کلاسیک، تنها معیار ارزیابی میزان تطابق پیشنهادها با علایق و نیازمندی کاربر بود که به عنوان معیار دقت در نظر گرفته می شد. در نظر گرفتن دقت به عنوان تنها معیار ارزیابی، مشکلاتی مانند عدم رضایت کاربر به دلیل دریافت پیشنهادهای بسیار مشابه و کاهش احتمال خرید بسیاری از کالاهای دیگر را در پی دارد. در سیستم های توصیه گر جدید از چندین معیار برای ارزیابی عملکرد توصیه‌گرها استفاده می‌شود. یکی از معیارهای ارزیابی، ویژگی بدیع بودن کالای پیشنهادی برای کاربر است که بر ناشناخته بودن کالای پیشنهادی برای کاربر تاکید دارد. تبدیل این تعریف به معیاری کمی برای ارزیابی با چالش مواجه است. در پژوهش حاضر ضمن بررسی تعاریف این معیار روشی برای تولید پیشنهادهای بدیع در سیستم های توصیه گر چند معیاری ارائه شده است. در این روش از حلقه دوستان شخص برای تخمین میزان بدیع بودن کالا استفاده می شود. در این مقاله یک سیستم توصیه گر با در نظر گرفتن معیارهای بدیع بودن، دقت و پوشش پیاده سازی شده و با توصیه گر کلاسیک مقایسه شده است.

generating user specific novel recommendation in a multi-criteria recommender system

the recommender system is one of the valuable e-commerce tools. these systems, predict the user s preferences and recommend the products that fit the needs and interests of each user. in classical recommender systems, only the accuracy of recommendations was evaluated. considering accuracy as the only evaluation criterion leads to problems such as user dissatisfaction due to receiving very similar offers and reducing the probability of purchasing many other products. in new recommender systems, several criteria are used to evaluate the recommenders. one of the evaluation criteria is novelty, which emphasizes that the product is unknown to the user. converting this definition into a quantitative criterion is challenging. in this research, we proposed a method to create novel recommendations in multi-criteria recommender systems. in this method, the circle of friends is considered as a user s knowledge resources about products. a recommender system is implemented considering the criteria of novelty, accuracy ,and coverage and compared with the classical recommender system.