توصیه منابع انسانی به رهبران پروژه با استفاده از یک سیستم پیشنهادی مبتنی بر و فیلترینگ مشارکتی: مطالعه موردی GitHub

سیستم‌های پیشنهاد دهنده (RSs)یک زیر رده مهم از سیستم فیلترینگ اطلاعات هستند. RSs به دنبال پیش‌بینی درجه‌بندی یا اولویتی است که یک کاربر به یک آیتم در زمینه‌های مختلف جامعه برنامه‌های کاربردی آنلاین می‌دهد. فیلترینگ مشارکتی (CF)تکنیکی است که با یادگیری روابط کاربر – آیتم گذشته، تمایزات کاربر را پیش‌بینی می‌کند. با این حال، درک منافع قابل‌مقایسه بین مشتریان با توجه به این واقعیت که مشکل پراکندگی ناشی از تعداد ناکافی رابطه بین کاربران است، دشوار است. این چالشی است که راحتی استفاده از CF را محدود می‌کند. این مقاله یک روش جدید خوشه‌بندی C – means فازی را پیشنهاد می‌کند که برای مقابله با این مشکل کمبود با استفاده از یک الگوریتم تشخیص زیرنمودار بسیار کوچک در تعریف مراکز اولیه روش خوشه‌بندی استفاده می‌شود. این رویکرد از سازگاری منطق فازی برای ایجاد توصیه‌های بهتر شخصی شده از نظر دقت، یادآوری و اندازه‌گیری F استفاده می‌کند. نویسندگان یک مطالعه موردی ارائه می‌دهند که در آن از GitHub برای نشان دادن اثربخشی رویکرد نویسندگان استفاده می‌شود. مدل نویسندگان می‌تواند منابع انسانی مرتبط (HR)را به رهبران

Recommender systems (RSs) are a significant subclass of the information filtering system. RSs seek to predict the rating or preference that a user would give to an item in various online application community fields. Collaborative filtering (CF) is a technique which predicts user distinctions by learning past user-item relationships. However, it is hard to perceive the comparable interests between customers in light of the fact that the sparsity problem is caused by the deficient number of the relationship between users. It is a challenge which limited the ease of use of CF. This paper proposes a novel fuzzy C-means clustering approach which is used to deal with this sparsity problem by utilising a sparsest sub-graph detection algorithm in defining initial centres of the clustering method. The approach uses adaptability of fuzzy logic to make better personalised recommendations in terms of precision, recall and F-measure. The authors present a case study where GitHub is used to show th