ترکیب تجزیه نامنفی ماتریسی با روابط اعتماد برای توصیه در شبکه‌های اجتماعی

Abstract

سیستم‌های توصیه‌گر، یکی از ابزارهای مؤثر برای کمک به کاربران است تا آیتم‌های مورد علاقه خودشان را پیدا کنند. سیستم‌های پالایش گروهی یکی از مشهورترین الگوریتم‌های توصیه به‌شمار می‌روند و در کارهای تجاری مختلفی استفاده شده‌اند. اما این سیستم‌ها در برخورد با کاربران و کالاهایی( آیتم‌هایی) که اطلاعات کمی از آن‌ها وجود دارد ( کاربران یا کالاهای با شروع سرد) دارند، کارایی ضعیفی از خود نشان می‌دهند. برای مقابله با این چالش، در این مقاله، یک روش جدید مبتنی بر اطلاعات شبکه اجتماعی کاربران ارائه می‌شود که اطلاعات اعتماد بین کاربران را با تجزیه نامنفی ماتریس ترکیب می‌کند تا یک مدل مناسب برای توصیه به کاربر ایجاد شود. روش پیشنهادی اطلاعات مهم مانند، رتبه و اعتماد را برای کاهش پراکندگی داده و برخورد با مشکلات ناشی از شروع سرد، استفاده می‌کند. به‌علاوه، در روش پیشنهادی از راه‌کار بهینه‌سازی جهت متناوب برای افزایش همگرایی الگوریتم و کاهش پیچیدگی زمانی به‌طور مناسبی استفاده می‌شود. برای ارزیابی روش پیشنهادی چندین آزمایش روی دو مجموعه داده معتبر و مشهور انجام شده است. نتایج تجربی نشان می‌دهد که روش پیشنهادی، به‌ویژه، برای کاربران شروع سرد عملکرد بهتری نسبت به روش‌های جدید، برای توصیه در شبکه‌های اجتماعی دارد.