سامانه پیشنهادگر ترکیبی، مبتنی بر هستان شناسی برای مقابله با مشکل شروع سرد

انتظار می رود سامانه های پیشنهاد گر (RS) قلم های دقیق را به مصرف کنندگان پیشنهاد دهند. شروع سرد مهم ترین چالش در RSها است. RSهای ترکیبی اخیر، دو مدل پالایش محتوا پایه  (ConF)و پالایش مشارکتی (ColF) را با هم ترکیب می کنند. در این پژوهش، یک RS ترکیبی مبتنی بر هستان شناسی معرفی می شود که در آن هستان شناسی در بخش ConF به کار رفته است، این در حالی است که ساختار هستان شناسی توسط بخش ColF بهبود داده می شود. در این مقاله، رویکرد ترکیبی جدیدی مبتنی بر ترکیب شباهت جمعیت شناختی و شباهت کسینوسی بین کاربران به منظور حل مشکل شروع سرد از نوع کاربر جدید، ارایه شده است. همچنین، رویکرد جدیدی مبتنی بر ترکیب شباهت هستان شناسی و شباهت کسینوسی بین اقلام به منظور حل مساله شروع سرد از نوع قلم جدید، ارایه شده است. ایده اصلی روش پیشنهادی، گسترش پروفایل های کاربر/ قلم بر اساس سازوکارهای مختلف برای ایجاد پروفایل با عملکرد بالاتر برای کاربران/قلم ها است. روش پیشنهادی در یک مجموعه داده واقعی ارزیابی شده است و آزمایش ها نشان می دهند که روش پیشنهادی در مقایسه با روش های پیشرفتهRS ، به خصوص در مواجهه با مساله شروع سرد، عملکرد بهتری دارد.