بهبود پالایش مشارکتی در سیستم های توصیه گر با کمک خوشه بندی فازی C- میانگین مرتب شده و الگوریتم ازدحام ذرات تطبیقی - آشوبی

سیستم های توصیه گر زیرمجموعه ای از سیستم های هوشمند پالایش اطلاعات هستند که در فضای اینترنت علایق کاربر را شناسایی نموده و توصیه های مرتبط با سلیقه ی کاربر را ارائه می دهند. پالایش مشارکتی مبتنی بر کاربر، از مهم ترین انواع سیستم های توصیه گر است. از مهم ترین چالش ها در این سیستم ها پراکندگی و حجم زیاد داده ها است که بر کارایی آن ها اثرگذار است. در روش پیشنهادی، برای اولین بار از الگوریتم خوشه بندی فازی C-میانگین مرتب شده و الگوریتم تکاملی ازدحام ذرات تطبیقی آشوبی برای خوشه بندی کاربران استفاده شده است. هدف روش پیشنهادی بهبود میزان خطای پیش بینی در مجموعه داده های حجیم با پراکندگی زیاد و کاهش تاثیر داده های پرت و نویز است. به منظور ارزیابی و اثبات کارایی روش پیشنهادی، آزمایش هایی روی پایگاه داده های واقعی اجرا شده است. نتایج آزمایش ها نشان دهنده ی برتری روش پیشنهادی نسبت به روش های مرز دانش بر اساس معیارهای میانگین خطای مطلق، جذر میانگین مربعات خطا، نرخ صحت و زمان محاسباتی است.