Evolutionary heterogeneous clustering for rating prediction based on user collaborative filtering

سیستم های توصیه شده نقش مهمی در زندگی ما ایفا می کنند، که به کاربران کمک می کند تا آنچه را که مورد علاقه ی شما هستند را پیدا کند. فیلترینگ همگانی روش های به کار رفته و موفقیت آمیز برای توصیه شخصی است. در این مقاله، یک خوشه بندی تکاملی ناهمگن جدید ارائه شده است. هدف الگوریتم ما جمع آوری کاربران با علاقه مشابه به خوشه همان و کمک به کاربران پیدا کردن آیتم هایی که مناسب ترین سلیقه شخصی خود است. پیشنهادات از دوستان با علاقه های مشابه ممکن است با احتمال بالا به تصویب رسید. اولا موارد و کاربران به عنوان افراد ناهمگن در شبکه در نظر گرفته می شوند. با توجه به مدل شبکه ساخته شده، وضعیت افراد در طول زمان تکامل می یابد. افراد با نمره بالاتر می توانند با هم جمع شوند و افراد با نمره های پایین تر می توانند از بین بروند. پس از بسیاری از تکرار، حالت از اقلام و کاربران پایدار خواهد بود. با توجه به وضعیت های پایدار افراد ناهمگون، آنها به چندین گروه تقسیم می شوند. دوم، فیلتر کردن مشارکتی مبتنی بر کاربر در هر خوشه اتخاذ می شود. شباهت بین افراد فقط در همان خوشه، برای همه افراد در سیستم محاسبه نمی شود. رتبه بندی هدف بر اساس فیلترینگ مشارکتی مبتنی بر کاربر در خوشه آن محاسبه می شود. شبیه سازی های مختلف نشان دهنده کارایی روش های پیشنهادی ما است. علاوه بر این، روش ارائه شده نتایج پیش بینی بهترتری نسبت به دو الگوریتم ترجیحی موجود را به دست می آورد.