Improving the recommender algorithms with the detected communities in bipartite networks

سیستم توصیه می کند یک ابزار قدرتمند برای ایجاد مشکل اضافی اطلاعات است که به خوبی حل شده است و در نتیجه دغدغه های گسترده ای از دانشمندان و مهندسان به دست می آید. یک چالش کلیدی این است که چگونه نظرات را دقیق تر و شخصی تر کنیم. ما متوجه شدیم که ساختارهای جامعه به طور گسترده ای در بسیاری از شبکه های واقعی وجود دارد که می تواند نتایج قابل توجهی را تحت تاثیر قرار دهد. با ترکیب اطلاعات جوامع شناسایی شده در الگوریتم های پیشنهاد شده، رویکرد توصیفی بهبود یافته برای شبکه ها با جوامع پیشنهاد شده است. این رویکرد در هر دو شبکه مصنوعی و واقعی مورد بررسی قرار گرفته است، نتایج نشان می دهد که بهبود دقت و تنوع می تواند به ترتیب 20٪ و 7٪ باشد. این نشان می دهد که گره ها بر اساس خواص ذاتی سیستم های توصیه گر مفید است.