رویکرد ترکیبی خوشه بندی krillkmeansبرای جداسازی بهتر کاربران در سیستم‌‌های توصیه گر پالایش مشارکتی

موضوع جداسازی کاربران در پایگاه داده سلایق، از اهمیت خاصی برخوردار است زیرا وجود کاربران خاکستری نرخ خطای پیشنهاد را برای کاربران سفید افزایش می‌‌دهد. خوشه‌‌بندی کامینز یکی از تکنیک‌‌های خوشه بندی و جداسازی کاربران در سیستم های پالایش مشارکتی است که رویکرد مشخصی برای انتخاب مراکز اولیه خوشه‌‌ها ندارد و ممکن است در نقاط بهینه محلی گرفتار شود. استخراج ویژگی‌‌های مختلف ماتریس سلایق برای انتخاب مراکز اولیه خوشه‌‌ها نسخه‌‌های جدیدی از الگوریتم کامینز را به نام‌‌های kmeans++ ،pkmeans++ و mkmeans++ معرفی کرده است. در این مقاله به منظور تعیین مراکز بهینه خوشه ها و پرهیز از بهینه های محلی نسخه های مختلف کامینز با الگوریتم‌‌ krill ترکیب شده و رویکرد ترکیبی جدیدی به نام‌‌ krillkmeans معرفی می‌‌شود. در رویکرد ترکیبی پیشنهادی krillkmeans جمعیت اولیه الگوریتم فراابتکاری کریل با راه‌‌حل‌‌های تولید شده توسط الگوریتم های توسعه یافته کامینز مانند kmeans++، pkmeans++ و mkmeans++ مقداردهی می گردد. نتایج ارائه شده برای دو دیتاست movielens و filmtrust نشان می‌دهد که تعیین مراکز بهینه خوشه ها با الگوریتم ترکیبی krillkmeans کیفیت خوشه ها و جداسازی کاربران را بهبود داده و دقت پیشنهادات را برای کاربران سفید افزایش می‌‌دهد.