جهت دریافت ترجمه و متن کامل مقاله لطفا نسبت به خرید اقدام فرمایید
A clustering based approach to improving the efficiency of collaborative filtering recommendation
Abstract
In collaborative filtering recommender systems, products are regarded as features and users are requested to provide ratings to the products they have purchased. By learning from the ratings, such a recommender system can recommend interesting products to users. However, there are usually quite a lot of products involved in E-commerce and it would be very inefficient if every product needs to be considered before making recommendations. We propose a novel approach which applies a self-constructing clustering algorithm to reduce the dimensionality related to the number of products. Similar products are grouped in the same cluster and dissimilar products are dispatched in different clusters. Recommendation work is then done with the resulting clusters. Finally, re-transformation is performed and a ranked list of recommended products is offered to each user. With the proposed approach, the processing time for making recommendations is much reduced. Experimental results show that the efficiency of the recommender system can be greatly improved without compromising the recommendation quality.
Keywords: Collaborative filtering recommender system, Correlation graph, Self-constructing clustering, Dimensionality reduction, Ranking algorithm
یک روش مبتنی بر خوشهبندی برای بهبود کارایی در سیستم های توصیه گر مشارکت محور
چکیده
در سیستمهای توصیهگر مشارکت محور، محصولات به عنوان ویژگی شناخته میشوند و از کاربران درخواست میگردد تا به محصولات خریداری شده، رأی دهند. با آموختن رتبهبندی ارائه شده توسط کاربران، سیستم توصیه گر میتواند محصولات جالبی را به کاربران توصیه نماید. با این حال، معمولاً محصولات بسیار زیادی در تجارت الکترونیک وجود دارد و ممکن است این راهکار چندان کارآمد نباشد، به خصوص در زمانهایی که لازم است هر محصول قبل از ساخت در سیستم توصیه گر قرار گیرد. ما یک روش جدید را پیشنهاد میکنیم که یک الگوریتم خوشهبندی خودکار را برای کاهش ابعاد مرتبط با تعداد محصولات در بردارد. محصولات مشابه در خوشهای یکسان قرار میگیرند و محصولات نامشابه، در خوشههای متفاوتی قرار میگیرند. کارهای پیشنهادی سپس با نتیجه خوشهبندی انجام میگیرد. در نهایت، انتقال مجدد انجامشده و لیست مرتب شده از محصولات پیشنهادی به هر کاربر پیشنهاد میگردد. با روش پیشنهادی، زمان پردازش برای تهیه پیشنهاد کاهش مییابد. نتایج آزمایشها، نشان میدهد که کارایی سیستم های پیشنهادی میتواند، بدون به خطر انداختن کیفیت توصیهها بهبود یابد.