احمد کشاورز

سامانه­ های پیشنهادگر در زمینه تجارت الکترونیک شناخته شده هستند. از این­ گونه سیستم ها انتظار می ­رود که کالاها و اقلام مهمی (از جمله موسیقی و فیلم) را به مشتریان پیشنهاد دهند. در سامانه های پیشنهادگر سنتی از جمله روش­های پالایش محتوا پایه و پالایش مشارکتی، چالش ­ها و مشکلات مهمی از جمله شروع سرد، مقیاس ­پذیری و پراکندگی داده ­ها وجود دارد. اخیراً به ­کارگیری روش ­های ترکیبی توانسته با بهره ­گیری از مزایای این روش ­ها با هم، برخی از این چالش ­ها را تا حد قابل قبولی حل نمایند. در این مقاله سعی می­ شود روشی برای پیشنهاد ارائه شود که ترکیبی از دو روش پالایش محتوا پایه و پالایش مشارکتی (شامل دو رویکرد حافظه پایه و مدل پایه) باشد. روش پالایش مشارکتی حافظه پایه، دقت بالایی دارد، اما از مقیاس ­پذیری کمی برخوردار است. در مقابل، رویکرد مدل پایه دارای دقت کمی در ارائه پیشنهاد به کاربران بوده اما مقیاس ­پذیری بالایی از خود نشان می­ دهد. در این مقاله سامانه پیشنهادگر ترکیبی مبتنی بر هستان­ شناسی ارائه شده که از مزایای هر دو روش بهره برده و براساس رتبه ­بندی­ های واقعی، مورد ارزیابی قرار می­ گیرد. هستان شناسی، توصیفی واضح و رسمی برای تعریف یک پایگاه دانش شامل مفاهیم (کلاس ­ها) در حوزه موضوعی، نقش ­ها (رابط­ ها) بین نمونه ­های مفاهیم، محدودیت­ های مربوط به رابطه ­ها، همراه با یک مجموعه از عناصر و اعضا (یا نمونه­ ها) است که یک پایگاه دانش را تعریف می­ کند. هستان­ شناسی در بخش پالایش محتوا پایه مورد استفاده قرار می­ گیرد و ساختار هستان شناسی توسط تکنیک­ های پالایش مشارکتی بهبود می­ یابد. در روش ارائه شده در این پژوهش، عملکرد سیستم پیشنهادی بهتر از عملکرد پالایش محتوا پایه و مشارکتی است. روش پیشنهادی با استفاده از یک مجموعه داده­ واقعی ارزیابی شده است و نتایج آزمایش­ها نشان می دهد روش مذکور کارایی بهتری دارد. همچنین با توجه به راه کارهای ارائه شده در مقاله حاضر، مشخص شد، روش پیشنهادی دقت و مقیاس ­پذیری مناسبی نسبت به سامانه های پیشنهادگری دارد که صرفاً حافظه پایه (KNN) و یا مدل پایه هستند.