ارائه یک روش پالایش گروهی با استفاده از خوشه بندی برای بهبود عملکرد سیستم های توصیه گر در تجارت الکترونیک

رشد روز¬افزون تجارت الکترونیک در فضای مجازی باعث معرفی محصولات متنوع و زیادی از سوی شرکت¬های فعال در این حوزه شده است. در چنین شرایطی انتخاب مناسب و بهینه محصولات از میان حجم انبوه اطلاعات ارائه شده برای کاربران کاری مشکل است. سیستم¬های توصیه¬گر با توجه به ویژگی¬ها، رفتار و علایق کاربران سعی می¬کنند بهترین و مناسب-ترین آیتم¬ها را به کاربران خود پیشنهاد دهند. در این پایان نامه سه روش پالایش گروهی برای طراحی سیستم¬های پیشنهادگر در دو فاز آفلاین و آنلاین ارائه شده است. در روش اول و در فاز آفلاین خوشه بندی کاربران با استفاده از الگوریتم ژنتیک انجام شده است و در فاز آنلاین میزان علاقه¬مندی کاربر هدف به آیتم ها تخمین زده می شود. عملکرد کلی روش دوم مانند روش اول است ، اما نحوه انتخاب سرخوشه ها، جهش استفاده شده در الگوریتم ژنتیک و فرآیند پیش بینی نرخ گذاری در فاز آنلاین روش دوم متفاوت است. در روش پیشنهادی سوم برای مقابله بهتر با مشکل شروع سرد علاوه بر فاکتور های استفاده شده در روش دوم مانند زمان و تفاوت نرخ¬گذاری¬ها، از مشخصات شخصی کاربران مانند سن، شغل و جنسیت نیز برای تولید پیشنهادات استفاده شده است. نتایج ارزیابی سه روش پیشنهادی نشان داده است که عملکرد روش اول از روش سنتی پالایش گروهی بهتر بوده، اما نسبت به روش های دوم و سوم ضعیف تر است. میزان خطای روش¬های دوم و سوم نسبت به روش¬های مشابه کمتر و کارایی آن¬ها بالاتر است و روش سوم بهترین عملکرد را در بین روش¬های پیشنهادی دارد