یک سیستم‌ توصیه‌گر مبتنی بر اعتماد با استفاده از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات

الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

سجاد احمدیان ¹ ( استادیار، دانشکده فناوری اطلاعات، دانشگاه صنعتی کرمانشاه، کرمانشاه، ایران )
محمدحسین اولیائی ² ( استادیار، دانشکده مهندسی، مجتمع آموزش عالی گناباد، گناباد، ایران )

تاريخ الإرسال : 20 الثلاثاء , جمادى الثانية, 1445 تاريخ التأكيد : 02 الإثنين , شعبان, 1445 تاريخ الإصدار : 10 الأربعاء , رمضان, 1445

الکلمات المفتاحية: سیستم‌های توصیه‌گر, اعتماد, الگوریتم فراابتکاری, بهینه‌سازی ازدحام ذرات, شروع سرد.,

ملخص المقالة :

سیستم‌های توصیه‌گر ابزارهای هوشمندی هستند که به کاربران کمک¬می‌کنند اطلاعات مورد نیاز خود را بر اساس علایق قبلی خود با صرف زمان کمتری نسبت به موتورهای جستجو پیداکنند. یکی از چالش‌های اصلی سیستم‌های توصیه‌گر تنکی ماتریس رتبه‌های کاربر-قلم می‌باشد. این چالش به این دلیل اتفاق¬می‌افتد که کاربران عمدتاً به تعداد کمی از اقلام موجود رتبه می‌دهند. سیستم‌های توصیه‌گر مبتنی بر اعتماد از روابط اعتماد بین کاربران به¬منظور کاهش مشکل تنکی ماتریس رتبه‎های کاربر-قلم استفاده¬می‌کنند. ایده اصلی این سیستم‌ها این است که وجود رابطه اعتماد بین دو کاربر نشان‌دهنده‌ علایق مشابه آن دو کاربر می‌باشد. کارایی این سیستم‌ها به انتخاب درست کاربران همسایه برای کاربر هدف بر اساس میزان شباهت بین آن¬ها بستگی دارد. در این مقاله، یک سیستم توصیه‌گر مبتنی بر اعتماد جدید با استفاده از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات ارائه¬شده¬است. در این روش، ابتدا میزان شباهت بین کاربران بر اساس ماتریس رتبه‎های کاربر-قلم و روابط اعتماد محاسبه¬می‌گردد. سپس، از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات برای وزن‌دهی بهینه کاربران همسایه‌ کاربر هدف استفاده¬می‌شود. به¬منظور بهبود الگوریتم بهینه‌سازی ازدحام ذرات از عملگرهای الگوریتم ژنتیک و الگوریتم بهینه‌سازی تولیدمثل تک¬جنسیتی مبتنی بر آشوب استفاده¬شده¬است. پس از وزن‌دهی بهینه کاربران همسایه، رتبه‎های نامشخص برای کاربر هدف پیش‌بینی¬می‌گردد. نتایج آزمایش¬ها بر روی یک مجموعه داده استاندارد کارایی بالای روش پیشنهادی را نسبت به سایر روش‎های مقایسه¬شده، نشان¬می‎دهد.

المصادر:

[1] M. M. Bendouch, F. Frasincar, and T. Robal, "A visual-semantic approach for building content-based recommender systems," Information Systems, vol. 117, p. 102243, 2023/07/01/ 2023.
[2] A. Fareed, S. Hassan, S. B. Belhaouari, and Z. Halim, "A collaborative filtering recommendation framework utilizing social networks," Machine Learning with Applications, vol. 14, p. 100495, 2023/12/15/ 2023.
[3] C. Xu, Y. Zhang, H. Chen, L. Dong, and W. Wang, "A fairness-aware graph contrastive learning recommender framework for social tagging systems," Information Sciences, vol. 640, p. 119064, 2023/09/01/ 2023.
[4] G. Wang, H. Wang, J. Gong, and J. Ma, "Joint item recommendation and trust prediction with graph neural networks," Knowledge-Based Systems, vol. 285, p. 11, 2024.
[5] Y.-J. Gong, J.-J. Li, Y. Zhou, Y. Li, H. S.-H. Chung, Y.-H. Shi, et al., "Genetic learning particle swarm optimization," IEEE transactions on cybernetics, vol. 46, pp. 2277-2290, 2015.
[6] Y. Ar and E. Bostanci, "A genetic algorithm solution to the collaborative filtering problem," Expert Systems with Applications, vol. 61, pp. 122-128, 2016/11/01/ 2016.
[7] H. Ma, I. King, and M. R. Lyu, "Learning to recommend with social trust ensemble," presented at the Proceedings of the 32nd international ACM SIGIR conference on Research and development in information retrieval, Boston, MA, USA, 2009.
[8] H. Ma, H. Yang, M. R. Lyu, and I. King, "SoRec: social recommendation using probabilistic matrix factorization," presented at the Proceedings of the 17th ACM conference on Information and knowledge management, Napa Valley, California, USA, 2008.
[9] G. Guo, J. Zhang, and N. Yorke-Smith, "TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings," Proceedings of the AAAI Conference on Artificial Intelligence, vol. 29, 02/09 2015.
[10] M. Jamali and M. Ester, "A matrix factorization technique with trust propagation for recommendation in social networks," presented at the Proceedings of the fourth ACM conference on Recommender systems, Barcelona, Spain, 2010.
[11] P. Moradi, S. Ahmadian, and F. Akhlaghian, "An effective trust-based recommendation method using a novel graph clustering algorithm," Physica A: Statistical Mechanics and its Applications, vol. 436, pp. 462-481, 2015/10/15/ 2015.
[12] V. Agarwal and K. K. Bharadwaj, "Trust-Enhanced Recommendation of Friends in Web Based Social Networks Using Genetic Algorithms to Learn User Preferences," in Trends in Computer Science, Engineering and Information Technology, Berlin, Heidelberg, 2011, pp. 476-485.
[13] J. Bobadilla, F. Ortega, A. Hernando, and J. Alcalá, "Improving collaborative filtering recommender system results and performance using genetic algorithms," Knowledge-Based Systems, vol. 24, pp. 1310-1316, 2011/12/01/ 2011.
[14] T. H. Dao, S. R. Jeong, and H. Ahn, "A novel recommendation model of location-based advertising: Context-Aware Collaborative Filtering using GA approach," Expert Systems with Applications, vol. 39, pp. 37, 2012.
[15] M. T. Ribeiro, A. Lacerda, A. Veloso, and N. Ziviani, "Pareto-efficient hybridization for multi-objective recommender systems," presented at the Proceedings of the sixth ACM conference on Recommender systems, Dublin, Ireland, 2012.
[16] P. Bedi and R. Sharma, "Trust based recommender system using ant colony for trust computation," Expert Systems with Applications, vol. 39, pp. 1183-1190, 2012/01/01/ 2012.
[17] M. Wasid and V. Kant, "A Particle Swarm Approach to Collaborative Filtering based Recommender Systems through Fuzzy Features," Procedia Computer Science, vol. 54, pp. 440-448, 2015/01/01/ 2015.
[18] A. Farasat, M. B. Menhaj, T. Mansouri, and M. R. S. Moghadam, "ARO: A new model-free optimization algorithm inspired from asexual reproduction," Applied Soft Computing, vol. 10, pp. 1284-1292, 2010.
[19] X. Yuan, Y. Xiang, Y. Wang, and X. Yan, "Parameter identification of bidirectional IPT system using chaotic asexual reproduction optimization," Nonlinear Dynamics, vol. 78, pp. 2113-2127, 2014.
[20] R. Eberhart and J. Kennedy, "A new optimizer using particle swarm theory," in MHS'95. Proceedings of the sixth international symposium on micro machine and human science, 1995, pp. 39-43.
[21] P. Moradi and S. Ahmadian, "A reliability-based recommendation method to improve trust-aware recommender systems," Expert Systems with Applications, vol. 42, pp. 7386-7398, 2015.
[22] B. Yang, Y. Lei, J. Liu, and W. Li, "Social Collaborative Filtering by Trust," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, pp. 1633-1647, 2017.

نص كامل:



 

 

Received: Accepted:

202?, ?? (?), ??-?? DOR:

 

A Trust-based Recommender System Using an Improved Particle Swarm Optimization Algorithm

 

 

 

Abstract:

Recommender systems are intelligent tools to help users find their desired information among a large number of choices based on their previous preferences in a way faster than search engines. One of the main challenges in recommender systems is the sparsity of the user-item rating matrix. This means that users mainly tend to express their opinions about a few items, leading to a large portion of the user-item rating matrix being empty. Trust-based recommender systems aim to alleviate the sparsity problem using trust relationships between users. The main idea behind these systems is based on the assumption that a pair of users with a trust relationship between them have similar preferences. Therefore, trust relationships can be used to calculate similarity values between users and determine the nearest neighbors set for the target user. However, the efficiency of trust-based recommender systems depends on the correct selection of neighboring users for the target user based on the similarity values between users. In this paper, a novel trust-based recommender system is proposed based on an improved particle swarm optimization algorithm. To this end, first, the similarity values between users are calculated based on the user-item rating matrix and trust relationships. Then, the improved particle swarm optimization algorithm is used to optimally weight the neighboring users of the target user. The main purpose of this algorithm is to assign an optimal weight to each user in the nearest neighbor set of the target user to predict the unknown items accurately. We use the genetic algorithm’s operators and chaos-based asexual reproduction optimization algorithm to improve the original version of the particle swarm optimization algorithm. The genetic algorithm’s operators increase the exploration mechanism of the particle swarm optimization algorithm, leading to a decline in the probability of tapping into local optima. Moreover, the chaos-based asexual reproduction optimization algorithm is applied to the best solution to further search the area around the best solution. After the optimal weighting of neighboring users, unknown ratings are predicted for the target user. Experimental results on a standard dataset show the high efficiency of the proposed method compared to other methods.

Keywords: Recommender Systems, Trust, Metaheuristic Algorithms, Particle Swarm Optimization, Cold Start.

 

 

 

 

 

 

 

 

 

 

 

یک سیستم‌ توصیه‌گر مبتنی بر اعتماد با استفاده از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات

 

تاريخ دريافت: تاريخ پذيرش:

دورۀ         ، سال  شمارۀ     ، صص:

 

چکیده: سیستم‌های توصیه‌گر ابزارهای هوشمندی هستند که به کاربران کمک می‌کنند اطلاعات مورد نیاز خود را بر اساس علایق قبلی خود با صرف زمان کمتری نسبت به موتورهای جستجو پیدا کنند. یکی از چالش‌های اصلی سیستم‌های توصیه‌گر تنکی ماتریس رتبه‌های کاربر-قلم می‌باشد. این چالش به این دلیل اتفاق می‌افتد که کاربران عمدتا به تعداد کمی از اقلام موجود رتبه می‌دهند. سیستم‌های توصیه‌گر مبتنی بر اعتماد از روابط اعتماد بین کاربران به منظور کاهش مشکل تنکی ماتریس رتبه‎های کاربر-قلم استفاده می‌کنند. ایده اصلی این سیستم‌ها این است که وجود رابطه اعتماد بین دو کاربر نشان‌دهنده‌ی علایق مشابه آن دو کاربر می‌باشد. کارایی این سیستم‌ها به انتخاب درست کاربران همسایه برای کاربر هدف بر اساس میزان شباهت بین آنها بستگی دارد. در این مقاله، یک سیستم توصیه‌گر مبتنی بر اعتماد جدید با استفاده از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات ارائه شده است. در این روش، ابتدا میزان شباهت بین کاربران بر اساس ماتریس رتبه‎های کاربر-قلم و روابط اعتماد محاسبه می‌گردد. سپس، از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات برای وزن‌دهی بهینه کاربران همسایه‌ی کاربر هدف استفاده می‌شود. به منظور بهبود الگوریتم بهینه‌سازی ازدحام ذرات از عملگرهای الگوریتم ژنتیک و الگوریتم بهینه‌سازی تولید مثل تک جنسیتی مبتنی بر آشوب استفاده شده است. پس از وزن‌دهی بهینه کاربران همسایه، رتبه‎های نامشخص برای کاربر هدف پیش‌بینی می‌گردد. نتایج آزمایشات بر روی یک مجموعه داده استاندارد کارایی بالای روش پیشنهادی را نسبت به سایر روش‎های مقایسه شده نشان می‎دهد.

واژه‌های کلیدی: سیستم‌های توصیه‌گر، اعتماد، الگوریتم فراابتکاری، بهینه‌سازی ازدحام ذرات، شروع سرد.

 

 

 

 

 

 

 

 

 

 

 

 

1. مقدمه

هدف از سیستم‌های توصیه‎گر، فراهم نمودن اطلاعات شخصی‌سازی شده برای تعداد قابل توجهی از کاربران می‌باشد. با توسعه فناوری‌های اینترنت، در بسیاری از سیستم‌های برخط شامل شبکه‌های اجتماعی و وب‌سایت‌های تجاری، سیستم‌های توصیه‌گر به عنوان راه‌حلی برای مشکل سربار اطلاعات معرفی شده‌اند. سیستم‌های توصیه‌گر می‌توانند توصیه‌هایی را برای کاربران بر اساس علایق آنها ارائه نمایند. به طور کلی، می‌توان روش‌های توصیه را به سه دسته‌ی مبتنی بر محتوا، پالایش گروهی و ترکیبی تقسیم نمود. روش‌های مبتنی بر محتوا از پروفایل‌های کاربران یا اقلام به منظور تولید توصیه‌ها استفاده می‌کنند [1]. روش‌های پالایش گروهی از علایق کاربران شبیه به کاربر هدف در پیش‌بینی رتبه‌های نامشخص کاربر هدف استفاده می‌کنند [2]. به منظور استفاده از مزایای روش‌های مبتنی بر محتوا و پالایش گروهی، این دو روش در قالب روش‌های ترکیبی با هم ترکیب می‌شوند. مهم‌ترین مرحله در روش‌های پالایش گروهی، انتخاب یک مجموعه‌ی مناسب از کاربران و استفاده از علایق آنها در فرآیند پیش‌بینی رتبه‌های نامشخص کاربر هدف می‌باشد. بدین منظور، تحقیقات زیادی برای ارائه معیارهای شباهت بین کاربران و تعیین کاربران همسایه کاربر هدف بر اساس آنها انجام شده است. برخی از این معیارها روابط کاربر-کاربر را در نظر گرفته و برخی دیگر نیز روابط قلم-قلم را ارزیابی می‌کنند. عملکرد این معیارها به تعداد کافی رتبه‌های موجود در ماتریس کاربر-قلم بستگی دارد. با این وجود، برخی از کاربران موجود در سیستم رتبه‌های بسیار کمی را برای  اقلام موجود ارائه کرده‌اند که باعث تنکی شدید ماتریس کاربر-قلم می‌شود. همچنین، کاربران یا اقلامی که به تازگی به سیستم اضافه شده‌اند دارای تعداد بسیاری کمی رتبه و یا حتی فاقد هر نوع رتبه‌ای می‌باشند. این کاربران یا اقلام را شروع سرد می‌نامند که معیارهای شباهت عملکرد بسیار ضعیفی در مورد این نوع کاربران یا اقلام دارند. یکی از روش‌های حل این مشکلات، استفاده از اطلاعات اضافه مانند روابط اجتماعی بین کاربران در فرآیند توصیه می‌باشد [3].

به دلیل رشد سریع شبکه‌های اجتماعی، سیستم‌های توصیه‌گر مبتنی بر روابط اجتماعی بین کاربران توجه زیادی را به خود جلب کرده‌اند. این روابط اجتماعی معمولا به صورت روابط اعتماد بین کاربران تعریف می‌شوند که می‌توان از آنها در فرآیند توصیه استفاده نمود. ایده اصلی سیستم‌های توصیه‌گر مبتنی بر اعتماد این است که وجود رابطه اعتماد بین دو کاربر نشان‌دهنده‌ی علایق مشابه آن دو کاربر می‌باشد. بنابراین، از علایق کاربرانی که مورد اعتماد کاربر هدف می‌باشند می‌توان در پیش‌بینی رتبه‌های نامشخص کاربر هدف استفاده نمود. استفاده از روابط اعتماد در فرآیند توصیه می‌تواند به کاهش مشکل تنکی ماتریس رتبه‌های کاربر-قلم و همچنین چالش شروع سرد کمک کند. به طور کلی می‌توان روابط اعتماد را به دو نوع اعتماد صریح و اعتماد ضمنی تقسیم نمود [4]. روابط اعتماد صریح شامل روابطی هستند که به صورت صریح توسط کاربران بیان شده‌اند. در حالیکه، روابط اعتماد ضمنی بر اساس سایر اطلاعات از قبیل تعاملات بین کاربران و اقلام به صورت ضمنی پیش‌بینی می‌شوند. با وجود قابلیت‌های بالای روابط اعتماد، چگونگی استفاده از آنها در فرآیند توصیه و محاسبه وزن شباهت بین کاربران یک مسئله چالشی می‌باشد. در برخی از تحقیقات، الگوریتم‌های فراابتکاری به عنوان ابزارهای بهینه‌سازی جهت وزن‌دهی بهینه بین کاربر هدف و سایر کاربران استفاده شده‌اند [5]. بیشتر سیستم‌های توصیه‌گر از الگوریتم‌های ژنتیک و بهینه‌سازی کلونی مورچگان استفاده کرده‌اند. در [6]، یک روش به منظور یافتن مقادیر بهینه آستانه و وزن‌ها در محاسبه شباهت بین کاربران ارائه شده است. در واقع، هدف از این روش افزایش دقت پیش‎بینی رتبه‌ها با استفاده از در نظر گرفتن وزن‌های بهینه در فرآیند توصیه می‌باشد. بیشتر روش‌های قبلی ارائه شده بر مبنای ماتریس رتبه‌های کاربر-قلم می‌باشند که در حل مشکل تنکی این ماتریس موثر نیستند. تعداد کمی از پژوهش‌های مبتنی بر الگوریتم‌های فراابتکاری روابط اعتماد بین کاربران را در کنار ماتریس رتبه‌ها در نظر گرفته‌اند. بنابراین، می‌توان نتیجه گرفت که استفاده همزمان ماتریس رتبه‌ها و روابط اعتماد بین کاربران در فرآیند بهینه‌سازی الگوریتم‌های فراابتکاری می‌تواند باعث افزایش کارایی سیستم‌های توصیه‌گر شود.

در این مقاله، یک سیستم توصیه‌گر مبتنی بر اعتماد ارائه شده است که در آن از یک الگوریتم بهبودیافته ازدحام ذرات به منظور پیش‌بینی رتبه‌های نامشخص استفاده شده است. در روش پیشنهادی، ابتدا میزان شباهت بین کاربران با استفاده از ماتریس رتبه‌های کاربر-قلم و روابط اعتماد بین کاربران محاسبه می‌شود. سپس، بر اساس مقادیر شباهت محاسبه شده، یک همسایگی شامل نزدیک‌ترین کاربران به کاربر هدف، انتخاب می‌گردد. در مرحله بعد، از یک الگوریتم بهینه‌سازی به منظور یافتن وزن‌های شباهت بهینه بین کاربر هدف و سایر کاربران موجود در همسایگی آن استفاده می‌شود. بدین منظور، یک الگوریتم بهبودیافته ازدحام ذرات ارائه شده است که فرآیند جستجو و بهینه‌سازی در آن بر اساس عملگرهای ژنتیک و الگوریتم بهینه‌سازی تولید مثل تک جنسیتی مبتنی بر آشوب بهبود یافته است. ایده اصلی الگوریتم پیشنهادی، افزایش قابلیت جستجو و کاهش احتمال گیر افتادن در بهینه‌های محلی می‌باشد. این الگوریتم قادر است وزن‌های شباهت بین کاربران را جهت بدست آوردن بیشترین میزان دقت در پیش‌بینی رتبه‌های نامشخص، بهینه نماید. در نهایت، بر اساس وزن‌های بهینه بدست آمده، همسایگی جدیدی برای کاربر هدف مشخص شده و رتبه‌های نامشخص پیش‌بینی می‌شوند.

مجله سیستم‌های پردازشی و چندرسانه‌ای هوشمند- سال اول- شماره اول- پاییز  1399 5

مجله سیستم‌های پردازشی و چندرسانه‌ای هوشمند- سال اول- شماره اول- پاییز  1399 5

مجله سیستم‌های پردازشی و چندرسانه‌ای هوشمند- سال اول- شماره اول- پاییز  1399 5

2. کارهای مرتبط

سیستم‌های توصیه‌گر اجتماعی با هدف استفاده از روابط اجتماعی بین کاربران در فرآیند توصیه به منظور کاهش مشکلات مربوط به شروع سرد و تنکی ماتریس رتبه‌ها ارائه شده‌اند. تاکنون، تحقیقات مختلفی در خصوص استفاده از روابط اجتماعی صریح و ضمنی در سیستم‌های توصیه‌گر انجام شده‌اند. در [7]، یک روش فاکتورسازی ماتریس ارائه شده است که از روابط اعتماد بین کاربران به منظور تولید توصیه برای کاربران استفاده می‌کند. نویسندگان در [8] یک روش به نام SoRec معرفی کرده‌اند که روابط اعتماد صریح بین کاربران را به یک فضای ویژگی نگاشت می‌کند. سپس، فضای ویژگی بدست آمده به منظور پیش‌بینی رتبه‌های نامشخص کاربر هدف مورد استفاده قرار می‌گیرد. در [9]، نویسندگان یک روش توصیه به نام TrustSVD پیشنهاد داده‌اند که از هر دو روابط اعتماد صریح و ضمنی به منظور کاهش مشکل تنکی ماتریس رتبه‌ها استفاده می‌کند. در [10]، یک روش به نام SocialMF ارائه شده است که فرآیند انتشار روابط اعتماد در شبکه‌های اجتماعی را در تابع هدف فاکتورسازی ماتریس اعمال می‌کند. ایده اصلی این روش این است که ترجیحات یک کاربر به ترجیحات کاربران موجود در شبکه اجتماعی آن نزدیک می‌باشد. در [11]، یک روش توصیه ارائه شده است که در آن یک گراف بر اساس روابط اعتماد صریح و ضمنی بین کاربران ایجاد می‌گردد. سپس، یک الگوریتم تشخیص جوامع به منظور خوشه‌بندی کاربران بر روی گراف بدست آمده اجرا می‌شود. در این روش، رتبه‌های نامشخص بر اساس رتبه‌های کاربران موجود در خوشه مربوط به کاربر هدف، پیش‌بینی می‌شوند. 

الگوریتم‌های فراابتکاری به منظور یافتن راه‌حل بهینه برای مسائل بهینه‌سازی پیچیده مورد استفاده قرار می‌گیرند. در سال‌های اخیر، چندین الگوریتم فراابتکاری در طراحی سیستم‌های توصیه‌گر مورد مطالعه قرار گرفته‌اند. به عنوان مثال، در [12]، نویسندگان ابتدا ویژگی‌هایی را برای محاسبه شباهت بین کاربران انتخاب کرده و سپس، الگوریتم‌های فراابتکاری را به منظور یافتن وزن‌های بهینه‌ی این ویژگی‌ها مورد استفاده قرار داده‌اند. در [13]، یک سیستم توصیه‌گر ارائه شده است که در آن از الگوریتم ژنتیک برای یافتن یک تابع شباهت بهینه بین دو کاربر بر اساس رتبه‌های آنها استفاده شده است. یک سیستم توصیه‌گر مبتنی بر موقعیت جغرافیایی در [14] معرفی شده است که از ترجیحات کاربران و اطلاعات زمینه‌ای در فرآیند تولید توصیه استفاده می‌کند. این روش از الگوریتم ژنتیک برای محاسبه شباهت بین کاربران بر اساس اطلاعات زمینه‌ای استفاده می‌کند. در برخی از تحقیقات سعی شده است که از مسائل بهینه‌سازی چندهدفه در طراحی سیستم‌های توصیه‌گر استفاده شود. به عنوان مثال، در [15]، یک روش فراابتکاری چندهدفه برای پیشنهاد لیستی از اقلام مورد علاقه کاربر هدف ارائه شده است که در آن معیارهای مختلفی نظیر دقت، تنوع و جدید بودن توصیه‌ها به طور همزمان در نظر گرفته شده‌اند. در [16]، یک روش به نام TARS به منظور یافتن بهترین همسایگی برای کاربر هدف بر اساس روابط اعتماد بین کاربران معرفی شده است. بدین منظور، از الگوریتم بهینه‌سازی کلونی مورچگان استفاده شده است. در [17]، از الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن وزن‌های بهینه ویژگی‌های کاربران استفاده شده است. علاوه بر این، در این روش از مجموعه‌های فازی برای ارائه موثر ویژگی‌های کاربران استفاده شده است. 

3. الگوریتم بهینه‌سازی تولید مثل تک جنسیتی مبتنی بر آشوب

روش بهینه‌سازی تولید مثل تک جنسیتی (ARO¹) یک روش جستجوی تکاملی مبتنی بر فرد می‌باشدکه از راهکار تولید مثل تک جنسیتی موجود در طبیعت الهام گرفته است [18]. در این روش، از طریق یک والد با استفاده از عملگر تولید مثل، فرزند جدید ایجاد می‌شود. سپس، از بین فرزند و والد برحسب اینکه کدامیک کیفیت بهتری دارد، یکی حذف و دیگری باقی می‌ماند. این مقایسه از طریق تابع ارزیاب صورت می‌گیرد. همانند سایر روش‌های بهینه‌سازی، این روند تا زمانیکه شرط پایان فراهم نشده، تکرار می‌شود. شکل (1) جزئیات بیشتر این روش را نشان می‌دهد. یکی از مزیت‌های مهم این روش، سادگی و عدم وجود پارامترهای قابل تنظیم می‌باشد. همچنین، با توجه به فرد-محور بودن الگوریتم، از زمان اجرای مناسبی برخوردار می‌باشد. 

 

شکل 1: مراحل کلی الگوریتم تکاملی تولید مثل تک جنسیتی

در این روش، نحوه انجام تولید مثل از اهمیت بالایی برخوردار می‌باشد، زیرا هر دو ویژگی حفظ ژن‌های مرغوب و اکتشاف در این مرحله انجام می‌گیرد. شکل (2) روال کلی این مرحله را نمایش می‌دهد. ابتدا یک زیربازه با طول تصادفی انتخاب شده و سپس با فرض دودویی بودن مقادیر ژن‌ها، صفرها به یک و یک‌ها به صفر تغییر می‌یابند. توالی حاصل را لارو می‌نامیم. در ادامه، با ترکیب ژن‌های والد و لارو، تولید مثل کامل شده و کروموزوم فرزند ایجاد می‌شود.

 

شکل 2: نحوه انجام تولید مثل در الگوریتم تکاملی تولید مثل تک جنسیتی

در صورت بکارگیری این الگوریتم در مسائل بهینه‌سازی با فضای پیوسته، مرحله تولید مثل بر اساس روابط زیر انجام می‌شود:

در رابطه فوق،  یک مقدار تصادفی در بازه  و همچنین  در بازه  می‌باشد و میزان توجه به کاوش یا حفظ ژن‌ها را کنترل می‌کند. در پایان، انتخاب بین فرزند و والد برحسب رابطه زیر انجام می‌گیرد:

(1)
(2)

که  تابعی برای محاسبه‌ی میزان برازش² فرزند و والد می‌باشد. با توجه به پیوسته بودن فضای جستجو و نیاز کاوش بیشتر آن، در این مقاله از نسخه بهبودیافته این روش به نام CARO³ استفاده می‌شود [19]. در این نسخه، به منظور تغییر هر چه بیشتر ژن‌ها در فضای پیوسته، از یک تابع آشوب در مرحله تولید مثل استفاده می‌شود. به این صورت که در مراحل اولیه از اجرای الگوریتم (زمانی که تعداد تکرارها کمتر از مقدار پیش فرض  است)، ایجاد لارو به صورت زیر انجام می‌گیرد:

(3)

در رابطه فوق،  و  به ترتیب کران پایین و بالا در فضای جستجو می‌باشند،  ، یک تابع آشوب⁴ دلخواه می‌باشد که در این مقاله به صورت معادله زیر انتخاب شده است:

(4)

زمانی که تعداد تکرارها در الگوریتم بیش از مقدار  باشد، به منظور بهره‌مندی از مرغوبیت ژن‌ها و اعمال تغییرات جزئی در آن‌ها، ایجاد لارو به صورت زیر تغییر می‌یابد:

(5)

در رابطه فوق،  تعداد کل تکرارها می‌باشد. در ترکیب لارو و والد، مقدار  در رابطه (2) می‌تواند در فرآیند جستجو بسیار تعیین‌کننده باشد. بنابراین، تعیین این مقدار نیز به کمک یک تابع آشوب به صورت زیر انجام می‌گیرد:

(6)

لازم به ذکر است که تابع آشوب  همانند  می‌باشد، با این تفاوت که مقدار اولیه متفاوتی برای آن در نظر گرفته می‌شود.

4. الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات مبتنی بر روش CARO

در این بخش، ابتدا به مرور الگوریتم بهینه‌سازی ازدحام ذرات⁵ (PSO) پرداخته و سپس تغییرات و بهبود صورت گرفته در آن شرح داده می‌شود. الگوریتم بهینه‌سازی ازدحام ذرات یک روش مبتنی بر قواعد احتمال است که برگرفته از رفتار پرندگان در هنگام جستجوی غذا می‌باشد [20]. در این روش، ابتدا مجموعه‌ای از جواب‌های اولیه به صورت تصادفی تولید می‌شود. به هر یک از این جواب‌ها یک ذره می‌گوییم. هر ذره دلخواه  با دو بردار موقعیت و سرعت  توصیف می‌شود و در هر مرحله، سرعت ذره متناسب با بهترین موقعیت محلی ذره (pbest) و بهترین موقعیت بین تمام ذرات (gbest) اصلاح شده و در ادامه موقعیت مکانی جدید ذره تعیین می‌گردد. روابط زیر به ترتیب بروزرسانی بردار سرعت و بردار موقعیت هر ذره را نشان می‌دهند:

(7)

در رابطه (8)،  اینرسی ذره را توصیف کرده و بر پایداری آن تأثیر می‌گذارد. ضرایب شتاب  و  به ترتیب اهمیت pbest و gbest را در تصمیم‌گیری ذره تنظیم می‌کنند. اعداد تصادفی  و  به طور یکنواخت در بازه  انتخاب شده و تمایل ذره به کاوش را بیان می‌نمایند.

تبادل اطلاعات بین ذره‌ها نقش موثری در سوق دادن آن‌ها به بهترین مکان در فضای جستجو را ایفا می‌کند. با این وجود، همگرایی زودرس ذرات و گرفتاری آن‌ها در بهینه‌های محلی از نقاط ضعف این روش محسوب می‌شود. یکی دیگر از روش‌های بهینه‌سازی شناخته شده و محبوب، الگوریتم ژنتیک⁶ (GA) می‌باشد که همانند الگوریتمPSO  در حوزه الگوریتم‌های مبتنی بر طبیعت محسوب می‌شود. الگوریتم ژنتیک دارای سه عملگر اصلی انتخاب، تولید مثل و جهش می‌باشد. عملگر انتخاب با حفظ کروموزوم‌های برتر در هر نسل، زمینه ارتقا و تکامل نسل را فراهم می‌کند و عملگرهای تولید مثل و جهش با ترکیب و تغییر ژن‌ها در تکامل کروموزوم‌ها به ایفای نقش می‌پردازند. اما در الگوریتم PSO، بهبود ذرات براساس اشتراک‌گذاری اطلاعات بین آنها و تجربه شخصی هر ذره از بهترین مکان ملاقات شده، انجام می‌گیرد. بعبارت دیگر، مسیر حرکت ذرات معادل تغییر محتوای ژن‌ها در الگوریتم ژنتیک می‌باشد.

تبادل تصادفی ژن‌ها درکروموزوم‌های والد و تغییرات ژنی از طریق جهش، تنوع گسترده‌ای از ترکیب های ممکن را در GA ارائه می‌دهد. در PSO، ذرات به بهترین موقعیت‌های قبلی (pbest) و بهترین جمعیت (gbest)  توجه می‌کنند. به این ترتیب، جستجو در مسیری معین و با پراکندگی کمتر نسبت به GA صورت می‌گیرد. بنابراین، می‌توان گفت کهGA  در اکتشاف برتری دارد، در حالی که PSO به همگرایی سریع توجه می‌کند. با هدف بهره‌مندی از قابلیت‌های هر دو الگوریتم و ایجاد هم‌افزایی بین آن‌ها، پژوهش‌های مختلفی انجام گرفته است. در این مقاله، به منظور کاوش بیشتر فضای جستجو از عملگرهای الگوریتم ژنتیک و همچنین الگوریتم CARO استفاده شده و موقعیت ذرات بهبود می‌یابد. در ادامه، مراحل مختلف این الگوریتم که به اختصار CARPSO می‌نامیم، با جزییات بیشتر توضیح داده می‌شود.

مرحله 1) تولید مثل: برای هر ذره ، عملگر تولید مثل با در نظر گرفتن pbest، gbest و ذره دیگر  که به صورت تصادفی انتخاب شده، مطابق رابطه زیر انجام شده و فرزند آن () بدست می‌آید: 

(8)
(9)

در رابطه فوق،  یک مقدار تصادفی در بازه  می‌باشد و  اندیس ذره دلخواهی می‌باشد که به طور تصادفی انتخاب می‌شود.

مرحله 2) جهش: هر یک از مولفه‌های فرزند بدست آمده () از مرحله قبلی، مطابق رابطه زیرتغییر می‌یابد:

(10)

در رابطه فوق،  یک مقدار تصادفی در بازه  و  احتمال جهش می‌باشد. 

مرحله 3) انتخاب: پس از اعمال عملگرهای تولید مثل و جهش، در این مرحله مقدار تابع برازش برای فرزند بدست آمده و مقایسه آن با ذره اولیه مشخص می‌نماید کدامیک در نسل بعدی قرار گیرد. در صورت بهتر بودن ذره اولیه، فرزند مغلوب و حذف می‌شود و چنانچه فرزند بهتر باشد، به عنوان مقدار جایگزین در نسل بعدی قرار می‌گیرد.

مرحله 4) استفاده از الگوریتم CARO: پس از انتخاب بهترین ذره در پایان هر مرحله، به منظور بهبود کیفیت gbest، از الگوریتم CARO که در بخش (3) توضیح داده شد جهت جستجوی بیشتر در اطراف آن استفاده می‌گردد. با توجه به پیوسته بودن فضای جستجو، این عملگر امکان جستجوی دقیق‌تر موقعیت gbest را فراهم می‌نماید.

5. سیستم توصیه‌گر پیشنهادی

در این بخش، مراحل اصلی روش مقاله توضیح داده می‌شود. هدف اصلی این روش پیش‌بینی دقیق مقدار امتیازهای کاربر هدف به اقلام پیشنهادی می‌باشد. رسیدن به این هدف با هم‌افزایی داده‌های موجود از امتیاز سایر کاربران (ماتریس کاربر-قلم) و شبکه اعتماد کاربران امکان‌پذیر می‌باشد. برای این منظور، میزان مشابهت سایر کاربران با کاربر هدف محاسبه گردیده و کاربران بر این اساس رتبه‌بندی می‌شوند. با توجه به تنک بودن ماتریس کاربر-قلم، بهره‌مندی از شبکه اعتماد کاربران می‌تواند کمک موثری در محاسبه دقیق نرخ مشابهت باشد. روش ارائه شده، شامل سه مرحله‌ی اصلی می‌باشد که عبارتند از: رتبه‌بندی، وزن‌دهی و پیش‌بینی. در گام نخست، بر اساس اطلاعات ماتریس کاربر-قلم و اعتماد کاربران میزان شباهت آنها با کاربر هدف سنجیده و رتبه‌بندی می‌شوند. لازم به ذکر است که برای انجام این کار از رابطه ضریب همبستگی پیرسون⁷ استفاده می‌شود. در گام بعد، همسایگان (کاربران انتخاب شده در مرحله قبل) با استفاده از الگوریتم CARPSO ضریب اهمیت دریافت می‌کنند. این ضریب میزان اثرگذاری کاربر در پیش‌بینی رتبه‌دهی کاربر هدف را توصیف می‌کند. در مرحله نهایی، اقلام قابل پیشنهاد به کاربر هدف پیش‌بینی می‌شوند. شکل (3) مراحل کلی سیستم توصیه‌گر پیشنهادی را نمایش می‌دهد.

1.5. رتبه‌بندی کاربران

هدف اصلی این مرحله از روش پیشنهادی، محاسبه میزان شباهت کاربران با کاربر هدف با استفاده از اطلاعات در دسترس می‌باشد. این مرحله شامل ایجاد یک گراف وزن­دار می‌باشد که شبکه اعتماد ضمنی بین کاربر هدف و سایر کاربران را توصیف می‌کند. در این گراف، هر گره نشان‌دهنده یک کاربر می‌باشد و وزن یال‌ها بر اساس تحلیل داده‌های مربوط به اعتماد کاربران و ماتریس کاربر-قلم بدست می‌آید. برای کاربرانی که بین آنها و کاربر هدف روابط اعتمادی وجود ندارد، میزان اعتماد بر اساس ضریب همبستگی پیرسون بین قلم‌های مشترک تعیین می‌شود. به این ترتیب، مقدار شباهت مبتنی بر اعتماد بین کاربران مطابق با رابطه زیر بدست می‌آید [21]:

(11)

در رابطه فوق،  مقدار اعتماد بین کاربر هدف  و کاربر دلخواه  را نشان می‌دهد. این مقدار به کمک رابطه زیر بدست می آید:

(12)

در این رابطه،  فاصله انتشار اعتماد بین دو کاربر  و  را نشان می‌دهد. همچنین،  حداکثر مقدار فاصله انتشار اعتماد بین کاربران می‌باشد که به صورت زیر محاسبه می‌شود:

(13)

در این رابطه،  تعداد کل کاربران در شبکه اعتماد و  میانگین درجه در گراف اعتماد می‌باشد. همچنین،  بیانگر میزان شباهت بین کاربران  و  می‌باشد که با استفاده از ضریب همبستگی پیرسون به صورت زیر محاسبه می‌شود:

(14)

در رابطه فوق،  مقدار امتیاز کاربر  به قلم ،  مقدار میانگین امتیازهای داده شده توسط کاربر  و  مجموعه اقلام مشترک بین دو کاربر  و  می‌باشد که توسط هر دو کاربر امتیازدهی شده‌اند. در نهایت، کاربرانی که نرخ شباهت آنها از مقدار آستانه  بیشتر باشد، به عنوان همسایگان کاربر هدف انتخاب می‌شوند. این مقدار آستانه به عنوان یکی از ورودی‌های روش پیشنهادی قابل مقداردهی اولیه می‌باشد. فرض کنید  مجموعه‌ای از کاربران همسایه‌ی کاربر هدف  باشد که مقدار شباهت آنها با کاربر هدف بیشتر از مقدار آستانه  باشد. این مجموعه با استفاده از رابطه زیر بدست می‌آید:

(15)

که  مجموعه تمام کاربران موجود در سیستم می‌باشد و  مقدار شباهت بین کاربران  و  است که از رابطه (12) بدست می‌آید.

2.5. وزن‌دهی به کاربران مشابه

در این مرحله، به کاربران انتخاب شده در مرحله قبل ضریبی در بازه  تخصیص می‌یابد که میزان اهمیت کاربر در پیش‌بینی امتیاز اقلام را بیان می‌کند. برای این منظور از الگوریتم پیشنهادی CARPSO که در بخش (4) توضیح داده شد، استفاده می‌شود. در این الگوریتم، هر ذره دارای یک بردار موقعیت و یک بردار سرعت مجزا می‌باشد. طول این بردارها متناسب با تعداد کاربرانی است که در مجموعه  (رابطه (16)) وجود دارند. در واقع، هدف استفاده از الگوریتم CARPSO در این مرحله، بدست آوردن وزن بهینه  برای هر کاربر  می‌باشد. این وزن نشان‌دهنده‌ی اهمیت کاربر  در پیش‌بینی رتبه‌های کاربر هدف  می‌باشد. لازم به ذکر است که در هر مرحله از تکرار این الگوریتم، بهترین موقعیت بین ذرات با استفاده از الگوریتم پیشنهادی CARO که در بخش (3) توضیح داده شد، بهبود می‌یابد. استفاده از الگوریتم CARO باعث می‌شود که فضای اطراف بهترین موقعیت یافت شده به طور موثرتری جستجو شود.

به منظور محاسبه کیفیت جواب‌های بدست آمده از الگوریتم CARPSO از رابطه میانگین قدرمطلق خطا⁸ استفاده می‌شود. همچنین، جهت پیش‌بینی اقلام کاربر هدف از اطلاعات کاربران مشابه استفاده می‌شود. برای این هدف، ابتدا بخشی از امتیازات از پیش تعیین شده کاربر هدف حذف شده و به کمک کاربران همسایه تخمین زده می‌شود. امتیازات کاربر هدف با استفاده از رابطه زیر قابل پیش‌بینی می‌باشند:

(16)

در رابطه فوق،  مقدار امتیاز پیش‌بینی شده برای کاربر هدف  و آیتم  می‌باشد.  مقدار امتیاز کاربر  به قلم  می‌باشد. به این ترتیب، کیفیت هر جواب کاندید به صورت زیر قابل محاسبه خواهد بود:

(17)

در رابطه فوق،  مجموعه‌ای از اقلام است که امتیاز آنها توسط روش پیشنهادی پیش‌بینی شده‌اند.

3.5. پیش‌بینی رتبه

در این مرحله، بر اساس وزن‌های بدست آمده از الگوریتم CARPSO در مرحله قبل، رتبه مربوط به اقلام نامشخص کاربر هدف پیش‌بینی می‌شود. بدین منظور، ابتدا کاربران بر اساس وزن‌های بدست آمده مرتب شده و تعداد  کاربر با بیشترین وزن موجود به عنوان همسایگی کاربر هدف انتخاب می‌شوند. سپس، رتبه اقلام نامشخص با استفاده از رابطه (17) پیش‌بینی می‌شوند. همانطور که از این رابطه قابل مشاهده است، رتبه‌های نامشخص بر اساس نظرات کاربران همسایه کاربر هدف پیش‌بینی می‌شوند. همچنین، میزان اهمیت نظر هر کاربر همسایه بر اساس وزن اختصاص داده شده به آن کاربر مشخص می‌گردد. در واقع، یک کاربر همسایه با وزن اختصاص داده شده بیشتر، تاثیر بیشتری نیز در پیش‌بینی رتبه نامشخص خواهد داشت.

6. آزمایشات

به منظور ازریابی کارایی روش پیشنهادی نسبت به سایر روش‌های موجود، آزمایشات مختلفی بر اساس یک مجموعه داده‌ای استاندارد انجام شده است. در این آزمایشات، از روش ارزیابی 5-fold cross-validation استفاده شده است که در آن مجموعه داده‌ای به پنج زیرمجموعه مساوی تقسیم می‌شود و در هر تکرار، چهار زیرمجموعه به عنوان مجموعه آموزشی انتخاب شده و زیرمجموعه باقیمانده به عنوان مجموعه آزمایشی در نظر گرفته می‌شود. در نهایت، نتایج نهایی بر اساس میانگین نتایج بدست آمده از پنج اجرای مختلف محاسبه می‌شوند. به منظور مقایسه نتایج بدست آمده از روش پیشنهادی با سایر روش‎های موجود، شش روش TrustSVD [9]، TrustMF [22]، SocialMF [10]، Bobadilla [13]، Yilmaz [6] و TARS [16] در نظر گرفته شده‌اند. روش‌های TrustSVD، TrustMF و SocialMF جزء روش‎های مبتنی بر اعتماد می‌باشند. روش‌های Bobadilla،  Yilmaz و TARS بر اساس الگوریتم‌های تکاملی طراحی شده‌اند، به طوریکه الگوریتم ژنتیک برای روش‌های Bobadilla و Yilmaz و الگوریتم کلونی مورچگان (ACO) برای روش TARS مورد استفاده قرار گرفته‌اند.

1.6. معیارهای ارزیابی

در این مقاله، خطای میانگین قدرمطلق (MAE) و خطای جذر میانگین مربعات (RMSE) به عنوان معیارهای ارزیابی مورد استفاده قرار می‌گیرند. از معیار MAE به منظور بررسی اختلاف مقادیر تخمین زده شده با جواب‌های هدف استفاده می‌شود. جهت محاسبه این مقدار، تعدادی از آیتم‌های کاربر هدف انتخاب و به کمک امتیازهای کاربران فیلتر شده از مرحله قبل، پیش‌بینی می‌شوند. در ادامه مطابق رابطه زیر مقدار خطا محاسبه می‌شود:

(18)

در این رابطه،  ،  و  به ترتیب تعداد آیتم‌ها، مقدار پیش‌بینی شده و مقدار امتیاز کاربر  به آیتم  می‌باشد. معیار RMSE دیگر معیار رایج و مورد استفاده جهت ارزیابی نتایج می‌باشد و بصورت زیر محاسبه می‌شود:

(19)

معیار دیگری که برای ارزیابی نتایج مورد استفاده قرار می‌گیرد، معیار پوشش رتبه (RC) می‌باشد. این معیار نسبت رتبه‌های پیش‌بینی شده توسط سیستم توصیه‌گر به کل رتبه‌های قابل پیش‌بینی را محاسبه می‌کند. بنابراین، این معیار به صورت زیر قابل محاسبه است:

(20)

2.6. مجموعه داده

آزمایشات انجام شده در این مقاله بر روی مجموعه داده‌ای Epinions⁹ اجرا شده‌اند. این مجموعه داده‌ای شامل اطلاعات رتبه‌های داده شده به اقلام مختلف توسط کاربران می‌باشد که این رتبه‌ها در بازه یک (کمترین علاقه) تا پنج (بیشترین علاقه) تعریف شده‌اند. علاوه بر این، اطلاعات مربوط به روابط اعتماد بین کاربران نیز در مجموعه داده‌ای وجود دارد. این اطلاعات به صورت اعداد یک و صفر می‌باشند که عدد یک نشان‌دهنده‌ی وجود رابطه اعتماد بین دو کاربر می‌باشد و عدد صفر عدم وجود رابطه اعتماد بین دو کاربر را نشان می‌دهد. تعداد کل رتبه‌های موجود در این مجموعه داده‌ای برابر 664824 می‌باشد که توسط 40163 کاربر به 139738 قلم موجود داده شده‌اند. همچنین، تعداد کل روابط اعتماد بین کاربران برابر 487183 می‌باشد. با توجه به محدودیت‌های سخت‌افزاری برای اجرای آزمایشات و همچنین به منظور کاهش پیچیدگی محاسباتی الگوریتم‌ها، تعداد 5000 کاربر به همراه رتبه‌ها و روابط اعتماد بین آنها به صورت تصادفی انتخاب شده‌اند. همچنین، به منظور ارزیابی جنبه‎های مختلف روش پیشنهادی، مجموعه داده موجود به بخش‌های مختلف زیر تقسیم شده است:

·       Cold-start users: مجموعه‌ای از کاربران که کمتر از پنج رتبه داده شده دارند.

·       Heavy raters: مجموعه‌ای از کاربران که به بیش از 10 قلم رتبه داده‌اند.

·       Opinion users: مجموعه‌ای از کاربران با بیش از چهار رتبه که انحراف معیار استاندارد این رتبه‌ها بیشتر از 1.5 می‌باشد.

·       Niche items: مجموعه‌ای از اقلام که کمتر از پنج رتبه دارند.

·       Controversial items: مجموعه‌ای از اقلام که انحراف معیار رتبه‌های آنها بیشتر از 1.5 می‌باشد.

·       All users: در این حالت، تمام کاربران در نظر گرفته می‌شوند.

3.6. تنظیم پارامترها

به منظور اجرای آزمایشات مختلف باید مقادیر پارامترهای ورودی الگوریتم‌ها را مقداردهی نمائیم. روش پیشنهادی دارای دو پارامتر ورودی‌  و  می‌باشد که مقادیر آنها به ترتیب برابر 0.6 و 70 انتخاب شده‌اند. علاوه بر این، الگوریتم فراابتکاری استفاده شده در روش پیشنهادی به منظور بهینه‌سازی وزن‌های بین کاربران نیز دارای دو پارامتر اصلی شامل تعداد تکرارها و تعداد جمعیت می‌باشد که مقادیر آنها به ترتیب برابر 30 و 20 انتخاب شده‌اند. به منظور مقایسه عادلانه روش پیشنهادی با سایر روش‌های مبتنی بر الگوریتم‌های فراابتکاری Bobadilla،  Yilmazو TARS، تعداد تکرارها و تعداد جمعیت در این روش‌ها نیز دقیقا برابر مقادیر انتخاب شده برای روش پیشنهادی در نظر گرفته شده است. مقادیر پارامترهای ورودی سایر روش‌های مقایسه شده شامل TrustSVD، TrustMF و SocialMF بر اساس مقادیر بهینه گزارش شده در مقالات متناظر آنها انتخاب شده‌اند.

4.6. تحلیل حساسیت پارامترها

روش پیشنهادی دارای دو پارامتر ورودی  و  می‌باشد که مقادیر آنها تاثیر بسزایی بر روی کارایی الگوریتم دارند. پارامتر  در رابطه (16) برای مشخص کردن همسایگی کاربر هدف به عنوان یک مقدار آستانه برای میزان شباهت بین کاربران مورد استفاده قرار می‌گیرد. پارامتر  برابر تعداد کاربران موجود در همسایگی کاربر هدف به منظور پیش‌بینی رتبه‌های نامشخص می‌باشد. در این بخش، آزمایشات مختلفی به منظور بررسی تاثیر مقادیر مختلف این پارامترها بر روی کارایی روش پیشنهادی انجام شده است. شکل (4) تاثیر مقادیر مختلف پارامتر  بر روی کارایی روش پیشنهادی بر اساس معیارهای ارزیابی MAE و RC را نشان می‌دهد. بدین منظور، دو مجموعه داده‌ای شامل همه کاربران و کاربران شروع سرد در نظر گرفته شده‌اند. همانطور که ملاحظه می‌شود، افزایش مقادیر این پارامتر از 0.1 تا 0.9 باعث کاهش مقادیر معیارهای MAE و RC می‌شود. بنابراین، می‌توان نتیجه گرفت که مقادیر بزرگتر پارامتر  باعث کاهش میزان خطای پیش‌بینی‌ها شده ولی در عین حال نرخ پیش‌بینی رتبه‌ها بر اساس معیار RC را کاهش می‌دهد.

آزمایشات مشابهی به منظور بررسی تاثیر مقادیر مختلف پارامتر  بر روی کارایی روش پیشنهادی انجام شده‌اند که نتایج آنها در شکل (5) نشان داده شده‌اند. بدین منظور، مقادیر مختلف این پارامتر برای دو مجموعه داده‌ای شامل همه کاربران و کاربران شروع سرد بر اساس معیارهای ارزیابی MAE و RC بررسی شده‌اند. این نتایج نشان می‌دهند که افزایش مقدار پارامتر  از 10 تا 70 باعث کاهش خطای پیش‌بینی‌ها بر اساس معیار MAE می‌شود. با این حال، زمانیکه مقدار این پارامتر بیشتر از 70 باشد، نرخ خطا افزایش پیدا می‌کند. این نتایج قابل انتظار می‌باشند زیرا افزایش بیش از حد تعداد کاربران در همسایگی کاربر هدف باعث اضافه نمودن کاربران با علایق متفاوت نسبت به علایق کاربر هدف شده و در نتیجه خطای پیش‌بینی افزایش خواهد یافت. علاوه بر این، نتایج نشان می‌دهند که افزایش مقدار پارامتر  باعث افزایش معیار ارزیابی RC می‌شود.

5.6. مقایسه کارایی روش‎های مختلف

در این بخش، کارایی روش پیشنهادی با سایر روش‌های توصیه‌گر بر اساس معیارهای ارزیابی MAE،  RMSE و RC مقایسه می‌شود. نتایج آزمایشات مربوط به معیار MAE برای تمامی روش‌های مقایسه شده در جدول (1) نشان داده شده‌اند. این نتایج نشان می‌دهند که روش پیشنهادی در مقایسه با سایر روش‌ها بر اساس جنبه‌های مختلف مجموعه داده‌ای ورودی عملکرد بهتری دارد. به عنوان مثال، مقدار MAE بدست آمده توسط روش پیشنهادی بر روی All users برابر 0.821 می‌باشد، در صورتیکه روش TARS به عنوان دومین روش، مقدار 0.894 را بدست آورده است. باید توجه شود که مقدار کمتر MAE نشان‌دهنده خطای کمتر و در نتیجه عملکرد بهتر می‌باشد. روش TARS در اکثر موارد نسبت به سایر روش‌های مقایسه شده با روش پیشنهادی، عملکرد بهتری را از خود نشان می‌دهد. بر اساس مجموعه Heavy raters، روش Yilmaz با بدست آوردن مقدار 1.578 برای معیار MAE، دومین روش بعد از روش پیشنهادی می‌باشد. همچنین، روش Bobadilla بهترین عملکرد را بعد از روش پیشنهادی بر روی مجموعه Niche items دارد.

جدول (2) نتایج آزمایشات بر اساس معیار ارزیابی RMSE را برای تمامی روش‌های توصیه‌گر نشان می‌دهد. هر چقدر مقدار بدست آمده برای معیار ارزیابی RMSE کمتر باشد، نشان‌دهنده کارایی بالاتر مدل خواهد بود. همانطور که از این نتایج مشاهده می‌شود، روش پیشنهادی بهترین عملکرد را در مقایسه با سایر روش‌ها بر اساس تمامی جنبه‌های در نظر گرفته شده برای مجموعه داده‌ای بدست می‌آورد. روش TARS در تمامی جنبه‌ها به غیر از Heavy raters و Niche items بهترین عملکرد را بعد از روش پیشنهادی بدست می‌آورد. روش Bobadilla با بدست آوردن مقادیر 1.949 و 1.114 به ترتیب برای مجموعه‌های Heavy raters و Niche items، دومین روش از لحاظ معیار RMSE می‌باشد. با توجه به نتایج بدست آمده از جدول (2)، می‎توان نتیجه گرفت که استفاده از روش پیشنهادی جهت پیش‌بینی رتبه‌های کاربران باعث افزایش کارایی سیستم‌های توصیه‌گر در مقایسه با سایر روش‌ها می‌شود. به عبارت دیگر، روش پیشنهادی پیش‎بینی‌های با خطای کمتری را نسبت به سایر روش‌ها بدست می‌آورد.

روش‌های مختلف بر اساس معیار ارزیابی RC نیز مقایسه شده‌اند که نتایج حاصل از این آزمایشات در جدول (3) نشان داده شده‌اند. معیار RC بیان‌کننده میزان توانایی روش‌های توصیه‌گر در پیش‌بینی رتبه‌های نامشخص می‌باشد. بنابراین‎، مقدار بالاتر این معیار نشان‌دهنده کارایی بالاتر روش‌ها می‌باشد. بر اساس نتایج ارائه شده در جدول (3) می‌توان نتبجه گرفت که روش پیشنهادی در تمامی مجموعه‌های داده‌ای به غیر از Cold users کارایی بالاتری نسبت به سایر روش‌ها دارد. برای مجموعه Cold users، روش پیشنهادی و روش SocialMF به ترتیب مقادیر 0.843 و 0.845 را بدست آورده‌اند. بنابراین، کارایی روش SocialMF نسبت به روش پیشنهادی بر اساس معیار RC برای مجموعه Cold users بالاتر می‌باشد. با این وجود باید توجه داشت که میزان تفاوت این دو روش برابر 0.002 می‎باشد که مقداری ناچیز است. همچنین، روش پیشنهادی نسبت به روش SocialMF بر اساس معیارهای MAE و RMSE عملکرد به مراتب بهتری را از خود نشان می‎دهد. بنابراین، در مجموع می‌توان نتیجه گرفت که روش پیشنهادی نسبت به سایر روش‌های مبتنی بر اعتماد و روش‌های مبتنی بر الگوریتم‎های فراابتکاری بر اساس معیارهای ارزیابی مختلف نتایج بهتری را بدست می‌آورد.

7. نتیجه‌گیری

در این مقاله، یک سیستم توصیه‌گر مبتنی بر روابط اعتماد بین کاربران معرفی شد. روش پیشنهادی شامل سه مرحله اصلی می‌باشد. در مرحله اول، میزان شباهت بین کاربران بر اساس ماتریس رتبه‌های کاربر-قلم و روابط اعتماد بین کاربران محاسبه می‌شود. سپس، بر اساس مقادیر شباهت محاسبه شده، یک همسایگی شامل نزدیک‌ترین کاربران به کاربر هدف مشخص می‌گردد. در مرحله دوم، یک روش بهینه‌سازی به منظور یافتن وزن‌های شباهت بهینه بین کاربران مورد استفاده قرار می‌گیرد. بدین منظور، یک الگوریتم فراابتکاری جدید بر اساس الگوریتم بهینه‌سازی ازدحام ذرات ارائه شده است. در این الگوریتم، از عملگرهای الگوریتم ژنتیک و همچنین از الگوریتم بهینه‌سازی تولید مثل تک جنسیتی مبتنی بر آشوب به منظور افزایش قابلیت جستجوی روش پیشنهادی و کاهش احتمال گیر افتادن در بهینه‌های محلی استفاده شده است. در مرحله سوم، بر اساس وزن‌های شباهت بهینه بدست آمده، همسایگی جدیدی برای کاربر هدف مشخص شده و رتبه‌های نامشخص این کاربر بر اساس علایق کابران همسایه پیش‌بینی می‌شود. نتایج آزمایشات بر روی یک مجموعه داده استاندارد نشان دادند که روش پیشنهادی نسبت به سایر روش‌های مقایسه شده از عملکرد بهتری برخوردار می‌باشد. در کارهای آتی می‌توان از روابط عدم اعتماد بین کاربران در کنار روابط اعتماد و ماتریس‌ها در تولید توصیه‌ها استفاده نمود. همچنین، الگوریتم فراابتکاری پیشنهادی در این مقاله می‌تواند به منظور طراحی انواع دیگر سیستم‌های توصیه‌گر نظیر سیستم‌های توصیه‌گر مبتنی بر اطلاعات زمینه نیز مورد استفاده قرار گیرد.

 References

[1]        M. M. Bendouch, F. Frasincar, and T. Robal, "A visual-semantic approach for building content-based recommender systems," Information Systems, vol. 117, p. 102243, 2023/07/01/ 2023.

[2]        A. Fareed, S. Hassan, S. B. Belhaouari, and Z. Halim, "A collaborative filtering recommendation framework utilizing social networks," Machine Learning with Applications, vol. 14, p. 100495, 2023/12/15/ 2023.

[3]        C. Xu, Y. Zhang, H. Chen, L. Dong, and W. Wang, "A fairness-aware graph contrastive learning recommender framework for social tagging systems," Information Sciences, vol. 640, p. 119064, 2023/09/01/ 2023.

[4]        G. Wang, H. Wang, J. Gong, and J. Ma, "Joint item recommendation and trust prediction with graph neural networks," Knowledge-Based Systems, vol. 285, p. 11, 2024.

[5]        Y.-J. Gong, J.-J. Li, Y. Zhou, Y. Li, H. S.-H. Chung, Y.-H. Shi, et al., "Genetic learning particle swarm optimization," IEEE transactions on cybernetics, vol. 46, pp. 2277-2290, 2015.

[6]        Y. Ar and E. Bostanci, "A genetic algorithm solution to the collaborative filtering problem," Expert Systems with Applications, vol. 61, pp. 122-128, 2016/11/01/ 2016.

[7]        H. Ma, I. King, and M. R. Lyu, "Learning to recommend with social trust ensemble," presented at the Proceedings of the 32nd international ACM SIGIR conference on Research and development in information retrieval, Boston, MA, USA, 2009.

[8]        H. Ma, H. Yang, M. R. Lyu, and I. King, "SoRec: social recommendation using probabilistic matrix factorization," presented at the Proceedings of the 17th ACM conference on Information and knowledge management, Napa Valley, California, USA, 2008.

[9]        G. Guo, J. Zhang, and N. Yorke-Smith, "TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings," Proceedings of the AAAI Conference on Artificial Intelligence, vol. 29, 02/09 2015.

[10]        M. Jamali and M. Ester, "A matrix factorization technique with trust propagation for recommendation in social networks," presented at the Proceedings of the fourth ACM conference on Recommender systems, Barcelona, Spain, 2010.

[11]        P. Moradi, S. Ahmadian, and F. Akhlaghian, "An effective trust-based recommendation method using a novel graph clustering algorithm," Physica A: Statistical Mechanics and its Applications, vol. 436, pp. 462-481, 2015/10/15/ 2015.

[12]        V. Agarwal and K. K. Bharadwaj, "Trust-Enhanced Recommendation of Friends in Web Based Social Networks Using Genetic Algorithms to Learn User Preferences," in Trends in Computer Science, Engineering and Information Technology, Berlin, Heidelberg, 2011, pp. 476-485.

[13]        J. Bobadilla, F. Ortega, A. Hernando, and J. Alcalá, "Improving collaborative filtering recommender system results and performance using genetic algorithms," Knowledge-Based Systems, vol. 24, pp. 1310-1316, 2011/12/01/ 2011.

[14]        T. H. Dao, S. R. Jeong, and H. Ahn, "A novel recommendation model of location-based advertising: Context-Aware Collaborative Filtering using GA approach," Expert Systems with Applications, vol. 39, pp. 37, 2012.

[15]        M. T. Ribeiro, A. Lacerda, A. Veloso, and N. Ziviani, "Pareto-efficient hybridization for multi-objective recommender systems," presented at the Proceedings of the sixth ACM conference on Recommender systems, Dublin, Ireland, 2012.

[16]        P. Bedi and R. Sharma, "Trust based recommender system using ant colony for trust computation," Expert Systems with Applications, vol. 39, pp. 1183-1190, 2012/01/01/ 2012.

[17]        M. Wasid and V. Kant, "A Particle Swarm Approach to Collaborative Filtering based Recommender Systems through Fuzzy Features," Procedia Computer Science, vol. 54, pp. 440-448, 2015/01/01/ 2015.

[18]        A. Farasat, M. B. Menhaj, T. Mansouri, and M. R. S. Moghadam, "ARO: A new model-free optimization algorithm inspired from asexual reproduction," Applied Soft Computing, vol. 10, pp. 1284-1292, 2010.

[19]        X. Yuan, Y. Xiang, Y. Wang, and X. Yan, "Parameter identification of bidirectional IPT system using chaotic asexual reproduction optimization," Nonlinear Dynamics, vol. 78, pp. 2113-2127, 2014.

[20]        R. Eberhart and J. Kennedy, "A new optimizer using particle swarm theory," in MHS'95. Proceedings of the sixth international symposium on micro machine and human science, 1995, pp. 39-43.

[21]        P. Moradi and S. Ahmadian, "A reliability-based recommendation method to improve trust-aware recommender systems," Expert Systems with Applications, vol. 42, pp. 7386-7398, 2015.

[22]        B. Yang, Y. Lei, J. Liu, and W. Li, "Social Collaborative Filtering by Trust," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, pp. 1633-1647, 2017.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

 

---

[1]  Asexual Reproduction Optimization

[2]  Fitness

[3]  Chaotic Asexual Reproduction Optimization

[4]  Chaotic

[5]  Particle Swarm Optimization

[6]  Genetic Algorithm

[7]  Pearson Correlation Coefficient

[8]  Mean Absolute Error

[9]  http://www.trustlet.org/epinions.html

---