A genetic algorithm solution to the collaborative filtering problem

توسعه رویکردها برای کاهش خطای پیش بینی شده، زمینه تحقیق فعال در سیستم های پیشنهاد دهنده فیلترهای مشترک است، زیرا دقت پیش بینی نقش مهمی در تنظیمات خرید کاربر دارد. بر خلاف روش های معمول فیلتر سازی مشارکتی که به طور مستقیم از مقادیر شباهت محاسبه شده کاربر به کاربر استفاده می کنند، این مقاله یک روش الگوریتم ژنتیکی برای پیشگیری از آنها را قبل از استفاده در فرآیند پیش بینی ارائه می کند. این رویکرد نتایج حاصل از نتایج را بر اساس تجزیه و تحلیل آماری انجام شده بر روی تعدادی از همسایگان برای معیارهای مختلف تشابه از جمله همبستگی پیرسون، ضریب جکارد گسترده و همبستگی بردار کوزین، همراه با یک ماتریس تعیین وزن های تصادفی که به عنوان یک معیار استفاده می شود، برآورده می کند. نتایج نشان می دهد که رویکرد تکاملی به طور قابل توجهی خطای پیش بینی را با استفاده از وزن های تکامل یافته کاهش داده است و شباهت بردار کازین مشابه بهترین عملکرد را نشان می دهد.