روش تکاملی بهبود انتخاب الگوریتم در سیستم های توصیه گر فیلترینگ مشارکتی

سیستم توصیه گر می تواند به عنوان نرم افزاری که به افراد مناسب ترین آیتم ها را پیشنهاد می کنند، تعریف شود. این سیستم ها به عنوان یک مشاور کار می کنند تا افراد را در یافتن محصولات مورد علاقه شان راهنمایی کنند. امروزه برای پیاده سازی سیستم های توصیه گر، الگوریتم های متفاوتی به کار برده می شود؛ دسته ای از این الگوریتم ها، الگوریتم های فیلترینگ مشارکتی نام دارند که در آن ها از شباهت کاربران یا شباهت روابط ایجاد شده توسط کاربران میان آیتم ها برای تعیین پیشنهادها استفاده می شود. روش های فیلترینگ مشارکتی، می توانند آیتم  هایی موردپسند کاربر اما با محتوای کاملا متفاوت نسبت به سلایق پیشین او پیشنهاد دهند که  این پیشنهادها براساس علایق کاربران مشابه به کاربر هدف تولید شده است. در روش های فیلترینگ مشارکتی برای ایجاد مدل یا محاسبه شباهت بین کاربران، معیارها و توابع فاصله متفاوتی استفاده شده است و روش بهینه که بهترین لیست از پیشنهادها را تولید کند، همواره یکسان نیست و متناسب با داده های موجود، این الگوریتم در میان الگوریتم های فیلترینگ مشارکتی، تغییر می کند؛ به همین دلیل، انتخاب روش مناسب برای ایجاد یک سیستم توصیه گر، به چالشی برای طراحان این سیستم تبدیل شده است. در این مقاله روشی مبتنی بر الگوریتم ژنتیک برای برای اجتماع نتایج روش های همسایه محور و انتخاب بهترین پیشنهادها از بین پیشنهادهای تولید شده توسط روش های مختلف با معیارهای فاصله متفاوت  برای یک سیستم توصیه گر با هدف پیشنهاد N آیتم برتر ارایه شده است. در پیاده سازی این روش ها ، علاوه بر محاسبه شباهت مستقیم کاربران، تعیین اطمینان غیر مستقیم کاربران نیز مد نظر قرار گرفته است تا اطلاعات موجود از ارتباط بین علایق کاربران افزایش یابد. روش پیشنهادی برای هر مجموعه داده، یک ترکیب از روش های فیلترینگ مشارکتی ایجاد می کند که علاوه بر در نظرگرفتن محدودیت های زمانی در تولید آن، دقت مناسبی دارد. این روش با روش های فیلترینگ مشارکتی همسایه محور به صورت مجزا و همینطور سیستم های مشابه با استفاده از دیتاست Movielens 100k  و 1M  Movielens  و  Hetrec2011 مقایسه شده است .آزمایش ها برتری و توانایی تولید پیشنهادهای دقیق تر به کاربران با این روش را نشان می دهد.