یک سیستم پیشنهاددهنده مبتنی بر فیلترینگ بهبود یافته با استفاده از الگوریتم بت

سیستم‌های پیشنهاددهنده در برخورد با موضوع اطلاعات بیش از حد ،با بهبود تجربه‌ی کاربر از طریق توصیه‌های کیفیتی، کمک بزرگی هستند. در این اواخر ، روش‌های ابتکاری(هیوریستیک) توسط محققان در سیستم‌های توصیه‌گر به همراه روش‌های رایج و سنتی پالایش(فیلترینگ) مبتنی بر متن و محتوا ،مورد استفاده قرار گرفته‌اند. به همین دلیل، در این کار از تکنیک ابتکاری مبتنی بر الگوریتم Bat برای محاسبه وزن‌ها (مشخصه‌ها)استفاده شده‌است تا همسایگی(مجاورت) بهتری برای کاربر فعال پیدا شود. ما استدلال می‌کنیم و همچنین با استفاده از این نتایج اثبات می‌کنیم که این تکنیک از دادن وزن‌ها به آیتم‌ها با استفاده از روش‌های ابتکاری ،به دستیابی به توصیه‌های شخصی بهتر ،کمک می‌کند. عملکرد این سیستم در مقایسه با سیستم مبتنی بر کلونی مصنوعی زنبور (ABC)،مقایسه شد. نتایج نشان داد که BA با استفاده از تکنیک ما، ۶.۹٪ بهتر از ABC ،از نظر میانگین خطای مطلق و F1 انجام می شود.

Recommender Systems have proven to be of great aid in dealing with the issue of Information Overload by improving the user experience through quality recommendations. In recent times, heuristic techniques have been employed by researchers in recommender systems along with traditional methods of collaborative and content based filtering. On the same account, in this work a Bat algorithm based heuristic technique has been used to compute the weights of items (features) so as to find better neighbourhood for the active user. We argue and also prove using the results that this technique of giving weights to items using heuristic methods helps in achieving better personalized recommendations. The performance of this system was also compared to that of Artificial Bee Colony based system (ABC). The results indicated that BA performed 6.9% better than ABC in terms of Mean Absolute Error and F1 Score using our technique.