فهرست مطالب سید عباس ظلی

میزان خطا، پارامتری چالش برانگیز است که برای سیستم های پیشنهادگری که در آنها حرکت زیاد آیتم در میان خوشه های داده وجود دارد، باید بررسی شود. در برنامه های شبکه های اجتماعی، معمولا تهیه پیشنهادهای مناسب کاربر در مواردی که تکنیک های خوشه بندی مورچهای بهترین راه حلها را برای مشکلات خوشه بندی ارایه میدهد، ضروری است. بااین حال، الگوریتم های خوشه بندی مورچهای موجود، در جستجوی محلی ناکارآمد هستند. همچنین آنها برای تقسیم بندی خوشه ای موثر به اصلاح قوانین فازی هوشمند نیاز دارند. بنابراین در این مقاله که در آن ترکیبی از مباحث مرتبط با دستیابی به نکات جدید و قوانین فازی برای خوشه بندی مورچهای وجود دارد، یک مدل جدید با نام مدل پیشنهادی هوشمند فازی با استفاده از الگوریتم خوشه بندی مورچهای (FIRMACA) ارایه شده است. تجزیه و تحلیل های تجربی، بهبود معیار دقت، یادآوری، سود تجمعی نرمال %5 NDCG ≤ و کاهش قابل توجه %2 ≤ در میزان خطای طبقه بندی نادرست (MER) در مقایسه با الگوریتم های مبتنی بر ACO را نشان میدهد. خوشه های انتخاب شده به صورت کلی و محلی برای استخراج بهترین خوشه های تعریفشده جدید، بهینه شده اند.