تکامل خوشه‌های کاربران بر اساس تغییر سلیقه آگاه بر زمان در سیستم پیشنهاددهنده

فراوانی حجم داده‌ها در اینترنت، برای کاربران مسایلی را به وجود آورده است و باعث سردرگمی برای یافتن اطلاعات مورد نیاز آنها شده است. همچنین سلیقه و اولویت کاربران با گذشت زمان تغییر می کند. سیستم‌های پیشنهاددهنده می‌توانند در یافتن اطلاعات مفید به کاربران کمک کنند. با توجه به تغییرات علایق، سیستم‌ها باید بتوانند تکامل پیدا کنند. جهت تکامل، کاربران خوشه‌بندی می‌شوند و برای تعیین کاربران هم‌خوشه، به امتیازاتی که کاربر به آیتم‌ها داده است، توجه می‌نماید. پارامتر زمان در روش پیشنهادی الگوریتم ژنتیک-تبرید تدرجی (saga) این مقاله مورد توجه قرار گرفته است که بتواند اولویت‌بندی کاربر را بر اساس زمان بهبود دهد. در روش پیشنهادی، با استفاده از الگوریتم تکاملی ممتیک، خوشه‌ها در طول زمان بهبود می‌یابند، و بر اساس خوشه‌بندی انجام شده، پیشنهادات مناسبی را به کاربر ارایه می‌دهد. همچنین این سیستم، با استفاده از ویژگی‌های آیتم برای مساله‌ی آیتم شروع سرد، و اطلاعات دموگرافیک کاربر برای مساله‌ی کاربر شروع سرد، خوشه‌بندی تکاملی بهینه را انجام می‌دهد. روش پیشنهادی با استفاده از مجموعه داده movielens ارزیابی شده است و نتایج تجربی نشان می‌دهد که روش پیشنهادی saga با صحت 0/89، عملکرد بهتری در صحت پیش‌بینی و پیشنهادات به کاربران نسبت به روش‌های موجود دارد.

evolutionary user clustering based on time-aware interest changes in the recommender system

the plenty of data on the internet has created problems for users and has caused confusion in finding the proper information. also, users' tastes and preferences change over time. recommender systems can help users find useful information. due to changing interests, systems must be able to evolve. in order to solve this problem, users are clustered that determine the most desirable users, it pays attention to the user's rating of the items. the time parameter has been considered in the proposed method of genetic algorithm-simulated algorithm (saga) of this paper which can improve user prioritization based on time. in the proposed method, using the memetic evolutionary algorithm, the clusters are improved over time, which it provides appropriate suggestions to the user. the system also performs optimal evolutionary clustering using item properties for the cold start item problem, and user demographic information for the cold start user problem. the proposed method has been evaluated using the movielens dataset and experimental results show that the proposed saga method with an accuracy of 0.89 has a better performance in the accuracy of predictions and suggestions to users than existing methods.