نام پژوهشگر: منیژه رنجبر
منیژه رنجبر پرهام مرادی
باتوجه به گسترش سریع و مداوم اینترنت، ضرورت وجود یک سیستم توصیه گر موثر، برای پالایش حجم عظیم اطلاعات، تا حد زیادی افزایش یافته است. یک سیستم توصیه گر، از داده های ورودی برای پیش بینی علایق کاربران استفاده می کند. هدف سیستم های توصیه گر ارائه لیستی از آیتم های مورد علاقه کاربر به اوست. به طورکلی راهکارهای ارائه شده برای سیستم های توصیه گر ، به سه دسته کلی محتوا محور (cb)، پالایش گروهی( cf ) و ترکیبی تقسیم می شوند. در راهکار محتوا محور، آیتم های پیشنهادی، از نظر محتوا، مشابه آیتم های قبلی مورد علاقه ی کاربرِ هدف می باشند. درحالی که در راهکار پالایش گروهی، آیتم های توصیه شده، بر اساس ارزیابی های گذشته ی گروه زیادی از کاربران انتخاب می شوند. پالایش گروهی در مقایسه با راهکارهای دیگر، به دلیل سادگی و کارایی بالا بسیار مورد توجه قرار گرفته است. یکی از کاراترین روش های مورد استفاده در پالایش گروهی برای تخمین رتبه های نامشخص کاربر، فاکتورسازی ماتریس است. دراین پایان نامه، الگوریتم های جدیدی مبتنی بر فاکتورسازی ماتریس جهت رفع چالش های موجود و افزایش دقت، ارائه شده است. بیشتر روش های مبتنی بر فاکتورسازی ماتریس، تنها از رتبه های شناخته شده برای آموزش استفاده می نمایند و قادر به کاهش تأثیر مشکل تُنکی داده نیستند، بااین حال، در کاربردهای واقعی، ماتریس رتبه ها، تُنک می باشد. کارایی روش های فاکتورسازی ماتریس، به چگونگی مدل سازی سیستم، برای کاهش تُنکی داده بستگی دارد. بدین منظور، در این پایان نامه، یک الگوریتم جدید به نام pmult برای افزایش کارایی سیستم و از بین بردن چالش تُنکی ماتریس، با به کارگیری رتبه های پیش تخمین از درآیه های نامشخص، ارائه شده است. بسیاری از سیستم های توصیه گر مبتنی بر فاکتورسازی ماتریس، به صورت زنجیره ای، عمل نموده و به همین دلیل سرعت اجرای آن ها برای ماتریس های بزرگ بسیار کم خواهد بود. لذا یک راهکار برای افزایش سرعت، موازی سازی روش های فاکتورسازی ماتریس است. در این پایان نامه، باهدف موازی سازی توصیه گر پالایش گروهی برمبنای فاکتورسازی ماتریس، چهار الگوریتم موازی مبتنی بر فاکتورسازی ماتریس (c-mult، s-mult، c-pmult و s-pmult) برای کاهش هزینه محاسباتی و غلبه بر چالش مقیاس پذیری، ارائه شده است. علاوه بر این، سیستم های توصیه گر مبتنی بر فاکتورسازی ماتریس، از نوع مدل های دسته ای هستند و قادر به به روزرسانی افزایشی نمی باشند. ازطرفی، با کوچکترین تغییری در ماتریس رتبه ها، محاسبات باید از ابتدا تکرار شود که به دلیل پویا بودن محیط سیستم های توصیه گر این امر غیرممکن خواهد بود. لذا در این پایان نامه جهت رفع این مشکل، دو الگوریتم فاکتورسازی ماتریس افزایشی با نام های i-mult و i-pmult ارائه شده است، که این روش ها قادر هستند با داده های جدید، مدل سیستم را به صورت افزایشی آموزش دهند.