یک سیستم توصیه گر فیلم مشارکتی موثر با جستجوی فاخته

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک سیستم توصیه گر فیلم مشارکتی موثر با جستجوی فاخته

عنوان لاتین

An effective collaborative movie recommender system with cuckoo search

سیستم های توصیه گر ابزارهای فیلترسازی اطلاعات می باشند که برای پیش بینی امتیازبندی کاربران و آیتم ها، غالبا از داده های بزرگ برای توصیه انواع آن ها استفاده می شوند. سیستم های توصیه فیلم مکانیزمی را برای کمک به کاربران در طبقه بندی کاربران با علاق مشابه فراهم می کنند. این سیستم های توصیه گر را اساسا یک بخش محوری وبسایت ها و کاربردهای تجارت الکترونیک می گرداند. این مقاله بر سیستم های توصیه فیلم تمرکز دارد که هدف اصلی آن ها ارائه یک سیستم توصیه گر از طریق خوشه بندی داده و هوش محاسباتی می باشد. در این مقاله تحقیقی، یک سیستم توصیه گر جدید بحث شده است که از خوشه بندی k میانگین با اتخاذ الگوریتم بهینه سازی جستجوی فاخته به کار رفته در مجموعه داده Movielens استفاده می کند. روش ما به طور سیستماتیک توصیف شده است و نتایج بعدی بحث می شوند. این همچنین با روش های موجود مقایسه می شود و نتایج تحلیل و تفسیر می شوند. معیارهای ارزیابی مانند خطای مطلق میانگین (MAE)، انحراف معیار (SD)، خطای مربع ریشه میانگین (RMSE) و مقدار t برای سیستم توصیه گر فیلم نتایج را بهتر ارائه می دهند چونکه روش ما مقدار کمتر خطای مطلق میانگین، انحراف معیار و خطای ریشه مربع میانگین کمتری را ارائه می کند. نتایج تجربی به دست آمده در مجموع داده Movielens تصریح می کنند که روش پیشنهادی ممکن است عملکرد بالایی را با توجه به قابلیت اطمینان، کارایی فراهم کند و توصیه های فیلم شخصی شده دقیق را در مقایسه با روش های موجود ارائه کند. سیستم پیشنهادی ما (فاخته Kمیانگین) 0.68 MAE دارد، که از کار موجود (0.78 MAE) بهتر است و همچنین بهبود کار قبلی ما (0.75 MAE) است.

Recommender systems are information filtering tools that aspire to predict the rating for users and items, predominantly from big data to recommend their likes. Movie recommendation systems provide a mechanism to assist users in classifying users with similar interests. This makes recommender systems essentially a central part of websites and e-commerce applications. This article focuses on the movie recommendation systems whose primary objective is to suggest a recommender system through data clustering and computational intelligence. In this research article, a novel recommender system has been discussed which makes use of k-means clustering by adopting cuckoo search optimization algorithm applied on the Movielens dataset. Our approach has been explained systematically, and the subsequent results have been discussed. It is also compared with existing approaches, and the results have been analyzed and interpreted. Evaluation metrics such as mean absolute error (MAE), standard deviation (SD), root mean square error (RMSE) and t-value for the movie recommender system delivers better results as our approach offers lesser value of the mean absolute error, standard deviation, and root mean square error. The experiment results obtained on Movielens dataset stipulate that the proposed approach may provide high performance regarding reliability, efficiency and delivers accurate personalized movie recommendations when compared with existing methods. Our proposed system (K-mean Cuckoo) has 0.68 MAE, which is superior to existing work (0.78 MAE) [1] and also has improvement of our previous work (0.75 MAE) [2].