مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 3 2026 1 6 Optimization and Prediction of Users' favorite Programs Using Collaborative Filtering Approach and Cuckoo Algorithm بهینه سازی و پیش بینی برنامه های موردعلاقه کاربران با استفاده از رویکرد فیلترینگ مشارکتی و الگوریتم فاخته 209 216 fa رضا مولایی فرد دانشگاه آزاد اسلامی واحد علوم و تحقیقات جواد محمدزاده واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران پیام یاراحمدی Taras National University 2024 11 16 <p style="direction: ltr;">This research presents a method to improve mobile application recommendation systems using collaborative filtering and the cuckoo meta-heuristic algorithm. The SW-DBSCAN algorithm was used for data clustering. This algorithm was able to achieve an efficiency of 99% in the clustering section, which was better than other similar algorithms. Also, the cuckoo algorithm was used to optimize the data, which achieved a performance of 98% and achieved better performance than the firefly, gray wolf, and particle optimization algorithms. For the prediction part, a neural network algorithm was used, which was also able to achieve acceptable performance compared to other similar algorithms. Ultimately, this information is provided to the user using a recommender system based on collaborative filtering. One of the problems that recommender systems face is the problem of having the same meaning. The problem of having the same meaning occurs when an item is represented by two or more names, names that have the same meaning. In such cases, the recommender system cannot distinguish whether these names represent different items or all refer to the same item, which is what this method attempts to solve. Also, according to research, using this recommended method can correctly identify user needs up to 94% of the time and offer appropriate suggestions to the user.</p> <p></p> <p>در این تحقیق به ارائه روشی به منظور بهبود سیستم&zwnj;های توصیه&zwnj;گر برنامه موبایل با استفاده از فیلترینگ مشارکتی و الگوریتم فراابتکاری فاخته پرداخته می&zwnj;شود که برای خوشه&zwnj;بندی داده&zwnj;ها از الگوریتم SW-DBSCAN استفاده شده که این الگوریتم توانست میزان کارایی ۹۹% را در بخش خوشه&zwnj;بندی به دست آورد که از سایر الگوریتم&zwnj;های مشابه توانست عملکرد بهتری را به دست آورد. همچنین برای بهینه&zwnj;سازی داده&zwnj;ها از الگوریتم فاخته استفاده شده که این الگوریتم توانست عملکرد ۹۸% را به دست آورد و نسبت به الگوریتم&zwnj;های کرم شب&zwnj;تاب، گرگ خاکستری و بهینه&zwnj;سازی ذرات عملکرد بهتری را به دست آورد. برای قسمت پیش&zwnj;بینی نیز از الگوریتم شبکه&zwnj;های عصبی استفاده شده که در این بخش نیز توانست عملکرد قابل قبولی نسبت به سایر الگوریتم&zwnj;های مشابه به دست آورد که در نهایت با استفاده از سیستم توصیه&zwnj;گر مبتنی بر فیلترینگ مشارکتی این اطلاعات در اختیار کاربر قرار می&zwnj;گیرد. یکی از مشکلاتی که سیستم&zwnj;های توصیه&zwnj;گر با آن مواجه هستند، مشکل داشتن معنای یکسان است. مشکل داشتن معنای یکسان وقتی رخ می&zwnj;دهد که یک آیتم با دو یا چند نام نشان داده شود؛ نام&zwnj;هایی که معنای مشابهی دارند. در چنین مواردی، سیستم توصیه&zwnj;گر نمی&zwnj;تواند تشخیص دهد که این نام&zwnj;ها نشان&zwnj;دهنده اقلام متفاوتی هستند یا همگی به یک آیتم یکسان اشاره دارند که در این روش سعی به برطرف&zwnj;کردن آن شد. همچنین طبق تحقیقات صورت&zwnj;گرفته، استفاده از این روش پیشنهادی تا ۹۴% می&zwnj;تواند نیازهای کاربر را به&zwnj;درستی تشخیص داده و پیشنهادهای مناسبی را به کاربر پیشنهاد دهد.</p> <p> </p>

http://ijece.org/ar/Article/Download/48615