احمد کشاورز

انتظار می ­رود سامانه های پیشنهاد­گر (RS) قلم های دقیق را به مصرف کنندگان پیشنهاد دهند. شروع سرد مهم ­ترین چالش در RS ها است. RS های ترکیبی اخیر، دو مدل پالایش محتوا پایه (ConF)و پالایش مشارکتی (ColF) را با هم ترکیب می­ کنند. در این پژوهش، یک RS ترکیبی مبتنی بر هستان شناسی معرفی می ­شود که در آن هستان­ شناسی در بخش ConF به کار رفته است، این در حالی است که ساختار هستان­ شناسی توسط بخش ColF بهبود داده می ­شود. در این مقاله، رویکرد ترکیبی جدیدی مبتنی بر ترکیب شباهت جمعیت شناختی و شباهت کسینوسی بین کاربران به ­منظور حل مشکل شروع سرد از نوع کاربر جدید، ارائه شده است. همچنین، رویکرد جدیدی مبتنی بر ترکیب شباهت هستان­شناسی و شباهت کسینوسی بین اقلام به منظور حل مسأله شروع سرد از نوع قلم جدید، ارائه شده است. ایده اصلی روش پیشنهادی، گسترش پروفایل های کاربر/ قلم بر اساس سازوکارهای مختلف برای ایجاد پروفایل با عملکرد بالاتر برای کاربران/قلم ­ها است. روش پیشنهادی در یک مجموعه داده واقعی ارزیابی شده است و آزمایش­ ها نشان می­ دهند که روش پیشنهادی در مقایسه با روش های پیشرفتهRS ، به خصوص در مواجهه با مسأله شروع سرد، عملکرد بهتری دارد.