کشف الگوهای تکراری در راستای بهبود رضایت گروهی و شناسایی جوامع در سیستم‌های توصیه‌گر گروهی مبتنی بر تاثیر

گسترش استفاده از فضاهای اجتماعی و سرویس‌های مبتنی بر مشارکت کاربران، تقاضا برای سیستم‌های توصیه‌گری که بتوانند تعاملات و ترجیحات افراد را با ظرافت بیشتری درک کنند را افزایش داده است. در این راستا، ما چارچوبی نوین برای سیستم‌های توصیه‌گر گروهی مبتنی بر تاثیر ارائه می‌دهیم که با بهره از تکنیک‌های کاوش الگوهای تکرار برای شناسایی رفتارهای همگرای کاربران استفاده می‌کند. در تقابل با روش‌های رایج با فرض برابری تمام اعضا در تصمیم‌گیری گروهی، راهکار ما با مدل‌سازی روابط اعتماد، محاسبه شباهت از طریق فعالیت‌های تعاملی، و برآورد نفوذ افراد بر اساس معیارهای ساختاری شبکه، قادر است نقش‌های کلیدی در هر گروه را به‌صورت پویا مشخص کند. این افراد، با هدایت جوامع به هماهنگی بیشتر در ترجیحات جمعی کمک کرده و ناهماهنگی‌های گروهی را کاهش می‌دهند. نقطه قوت اصلی این چارچوب، تلفیق همزمان سه جزء بنیادین کشف الگوهای رفتاری، تبیین جریان نفوذ اجتماعی، و سازمان‌دهی پویای گروه‌ها، که در پژوهش‌های پیشین معمولاً به‌صورت جداگانه مورد توجه قرار گرفته‌اند، می‌باشد. چنین یکپارچگی، امکان مقابله موثر با مسائلی همچون کمبود اطلاعات و سناریوهای راه‌اندازی اولیه (cold-start)را فراهم می‌آورد. چالش‌هایی که در ادبیات موجود کمتر مورد توجه قرار گرفته‌اند. ارزیابی‌های جامع بر روی مجموعه‌داده movielens 20m نشان می‌دهد که روش پیشنهادی در معیارهایی همچون دقت در پیش‌بینی امتیازات، کیفیت لیست‌های توصیه‌شده (top-k)، و سطح رضایت گروهی، از روش‌های پیشرفته مانند ibgr و hermes پیشی می‌گیرد.