روشی مبتنی بر مدل مخفی مارکوف برای سیستم های پیشنهاد دهنده آگاه از زمینه

سیستم های توصیه گر زیرمجموعه ای از سیستم های اطلاعاتی اند که توانایی تحلیل رفتارهای گذشته و ارائه توصیه هایی برای مسائل جاری را دارا هستند. آن ها می توانند کالاها را بر اساس تحلیل رفتار گذشته کاربر، بدون اینکه هیچ اطلاعات زمینه ای اضافی را به حساب بیاورند، به او پیشنهاد دهند. البته تنها در نظر گرفتن کالاها و کاربران در فرآیند پیشنهاد می تواند ناکافی باشد؛ بنابراین، سیستم توصیه گر آگاه از زمینه، علاوه بر اطلاعات توصیفی درباره ی کاربران، کالاها و نرخ ها از صفات زمینه ای اضافی نیز استفاده می نماید. زمینه پارامتری وضعیتی است که می تواند به وسیله ی سیستم شناخته شود و هم چنین بر انتخاب و رتبه بندی نتایج پیشنهاد ها موثر باشد. همواره، هدف سیستم های توصیه گر آگاه از زمینه، یافتن مدل یا روشی مناسب برای پیشنهاددهی بهتر کالاها به کاربران با توجه به زمینه ای است که در آن قرار دارند. در این پایان نامه سعی گردیده است، با ارائه مدلی جدید مبتنی بر مدل مخفی مارکوف و به کار بستن زمینه ها در آن، روشی جدید برای بهبود نتایج حاصل گردد. در این روش، برای هر یک از زمینه های موجود یک مدل مخفی مارکوف ساخته می شود که مقادیر زمینه ها به عنوان مشاهدات و هر یک از کالاها به عنوان حالات این مدل در نظر گرفته می شوند. سپس، با دنبال کردن احتمالات مارکوفی برای زنجیره مشاهدات زمانی کاربر و استفاده از الگوریتم پیشرو، فرآیند رتبه دهی کالا صورت می گیرد. ارزیابی ها نشان می دهند که مدل ارائه شده، می تواند در هر دو پایگاه داده موردبررسی، در مقایسه با روش های دیگر درصد موفقیت بیشتری در رتبه بندی کالاهای موردنظر کاربر کسب کند؛ همچنین رتبه بندی کالاها مناسب تر انجام می شود و کالاهای موردنیاز کاربر زودتر به او پیشنهاد خواهند شد. درنهایت، روش پیشنهادی، می تواند در سیستم های توصیه گری که اطلاعات را به صورت پیوسته و در مدت زمان کوتاه تری جمع آوری می نماید، نتایج بهتری را از خود نشان دهد.