<p>سیستم‌های پیشنهاددهنده برای استخراج اطلاعات مفید از حجم انبوهی از دادههای پیچیده به کاربران کمک کرده و استفاده از آنها در سال‌های اخیر مورد توجه‌ی چشم‌گیری قرار گرفته است. در عمل معمولا ًعلایق کاربران و ویژگی‌های اقلام در این سیستم‌ها در چکیده کامل
<p>سیستم‌های پیشنهاددهنده برای استخراج اطلاعات مفید از حجم انبوهی از دادههای پیچیده به کاربران کمک کرده و استفاده از آنها در سال‌های اخیر مورد توجه‌ی چشم‌گیری قرار گرفته است. در عمل معمولا ًعلایق کاربران و ویژگی‌های اقلام در این سیستم‌ها در طول زمان تغییر می‌کنند و بنابراین تطبیق سیستم‌های پیشنهاددهنده با این نوع تغییرات ضروری بوده و به ارائه‌ی پیشنهاداتی دقیق‌تر به کاربران کمک می‌کند. با این وجود، اغلب سیستم‌های پیشنهاددهنده‌ی پویا، فقط مبتنی بر پویایی علایق کاربران در طول زمان هستند و تغییرات ویژگی‌های اقلام را در نظر نمی‌گیرند. در این مقاله، مدلی مبتنی بر تجزیه‌ی نامنفی ماتریس برای پیش‌بینی امتیازات کاربران به اقلام در سیستم‌های پیشنهاددهنده ارائه می‌شود که از هر دوی پویایی علایق کاربران و تغییرات ویژگی‌های اقلام در طول زمان استفاده می‌کند. در مدل پیشنهادی به منظور کاهش مشکل خلوتی داده‌ها، علاوه بر امتیازات کاربران از اطلاعات مربوط به اعتماد بین کاربران نیز استفاده می‌شود. نتایج ارزیابی بر روی مجموعه داده‌ی Epinions نشان می‌دهد که مدل پیشنهادی نسبت به روش‌های مورد مقایسه از دقت بهتری برخوردار می‌باشد.</p>
پرونده مقاله