یک روش خوشه بندی مبتنی بر الگوریتم کشتل در سیستم توصیه گر پالایش مشارکتی

افزایش حجم اطلاعات آنلاین باعث شده که کاربران، انرژی و زمان زیادی را صرف پیدا کردن محصولات مورد علاقه خود کنند. تاکنون ابزارهای زیادی جهت کنترل و سازماندهی این اطلاعات ارائه شده‌اند. عملکرد یک سیستم توصیه‌گر، شناسایی و معرفی آیتم‌های مورد علاقه‌ی کاربر در یک فضای بسیار بزرگ از آیتم‌های قابل انتخاب است. یکی از پرکاربردترین انواع سیستم‌های توصیه‌گر، روش پالایش مشارکتی است که از شباهت بین کاربران برای انتخاب همسایگی و ایجاد توصیه استفاده می‌کند. با وجود اینکه این روش دقت بالایی در تولید پیشنهاد دارد، اما دارای ضعف‌هایی نیز می‌باشد. یک راهکار برای برطرف کردن نقاط ضعف، استفاده از تکنیک خوشه‌بندی است. این نوع از سیستم‌های توصیه‌گر به‌علت کوچک‌سازی فضای جستجو، در هنگام مواجهه با داده‌های بزرگ عملکرد مناسبی دارند و در زمان کوتاهی پیشنهاداتی را ارائه می‌دهند.در این مقاله یک روش خوشه‌بندی مبتنی بر الگوریتم کشتل برای سیستم توصیه‌گر پالایش مشارکتی ارائه می‌شود. هدف از ارائه روش پیشنهادی این است که کاربرانی با بیشترین شباهت در یک خوشه قرار داده شده و کاربری با بالاترین میزان شباهت به دیگر کاربران، به‌عنوان سرخوشه انتخاب شود. در واقع الگوریتم پیشنهادی سعی در یافتن تراکم مرکز خوشه در مجموعه داده نموده و سپس، مرکز خوشه را در آن ناحیه انتخاب می‌کند. برای تحلیل کارایی روش پیشنهادی، معیارهای mae، precision و recall بر روی مجموعه داده استاندارد مووی‌لنز k100 مورد بررسی قرار گرفته و نتایج به‌دست آمده با روش‌های دیگر مقایسه می‌شود. نتایج به‌دست آمده از شبیه‌سازی نشان می‌دهد که روش پیشنهادی از کارایی بالایی برخوردار است.