سیستم توصیه گر تلفیقی با استفاده از تکنولوژی‏های معنایی و شبکه‏های اجتماعی

با افزایش سریع حجم اطلاعات در دنیای امروزی، به سیستمی که با دادن پیشنهادات مناسب با خواسته‏های کاربر (پیشنهادات شخصی‏سازی‏شده)، او را از مرور آیتم‏های بسیار زیاد باز دارد، احساس نیاز می شود. امروزه سعی در ساخت "سیستمی‏ توصیه‏گر" با درصد خطای کم و سرعت بالا در تمام شرایط به یکی از پرطرفدارترین حوزه‏های تحقیقاتی دانشگاهی تبدیل شده است. به دلیل درصد خطای بالا، معمولاً یک روش پایه در ساخت این گونه سیستم ها به کار گرفته نمی شود. اکثر اوقات جهت پیاده سازی آن از ترکیب چندین روش استفاده می‏شود. الگوریتم‏های پیشنهادی در دو دسته‏ی کاربرمحور و آیتم‏محور تقسیم می شوند. جهت بهبود توصیه‏ها و در نتیجه حل مشکل "شروع سرد" (کاربری و آیتمی)، از داده‏های خارج از سیستم توصیه‏گر نیز استفاده می‏شود. در این پایان‏نامه، روش کاربرمحور پیشنهادی از روابط اعتماد بین کاربران در شبکه‏های اجتماعی، جهت تشخیص هرچه بهتر علایق کاربر و در نتیجه بهبود توصیه‏ها، استفاده می‏شود. جهت تشخیص هر چه بهتر شباهت میان آیتم‏ها، روش‏ آیتم‏محور پیشنهادی نیز از طبقه‏بندی موضوعی و معنایی آیتم‏ها بهره می‏گیرد. هم‏چنین از کلمات کلیدی استخراج شده‏ با روش‏های معنایی از محتوای آیتم‏ها در جهت بهبود توصیه‏ها، به‏خصوص در هنگام برخورد با مشکل شروع سرد، استفاده ‏شده است. نوآوری در این تحقیق بدین ترتیب است که با ادغام تکنولوژی‏های معنایی و شبکه های اجتماعی مشکلاتی چون شروع آهسته، و به طور کلی "تُنُکی داده‏ها" در سیستم‏های توصیه‏گر به میزان قابل توجهی برطرف شده است. از مجموعه داده های جمع‏آوری شده جهت این تحقیق توسط نگارنده، از تراکنش های سایت epinions.com و نیز از اطلاعات تکمیلی موجود در سایت‏هایی چون آمازون و کتاب خانه کنگره و غیره استفاده شده است. ارزیابی کارآیی الگوریتم های پیشنهادی در مقایسه با الگوریتم های رقیب مرزهای دانش انجام پذیرفت و نتایج ارزیابی کارآیی بهبود یافته، نشان گر تأثیر بسزای به کارگیری اطلاعات اجتماعی و معنایی در کاهش خطای سیستم های توصیه گر است.