An Enhanced Framework for Efficient Point-of-Interest Recommendations in Recommender Systems
محورهای موضوعی : پردازش چند رسانه ای، سیستمهای ارتباطی، سیستمهای هوشمندَAli Asghar Salehi Soleymanabadi 1 , Keyhan Khamforoosh 2 , Vafa Maihami 3
1 - PhD Student, Department of Computer Engineering, Sa.C., Islamic Azad University, Sanandaj, Iran
2 - Assistant Professor, Department of Computer Engineering, Sa.C., Islamic Azad University, Sanandaj, Iran
3 - Assistant Professor, Department of Computer Engineering, Sa.C., Islamic Azad University, Sanandaj, Iran
کلید واژه: سیستم های توصیه گر, نقاط علاقه, فریم ورک اصلاح شده , نوتروسفیک,
چکیده مقاله :
امروزه سیستمهای توصیهگر یکی از مهمترین موضوعات مورد تحقیق است.سیستمهای توصیهگر مبتنی بر مکان با استفاده از دادههای مکانی و تحلیل رفتار کاربران، نقش مهمی در بهبود تجربه کاربران در حوزههایی مانند پیشنهاد رستورانها، مکانهای تفریحی و خدمات شهری دارند. با رشد فناوریهای هوش مصنوعی و افزایش حجم دادههای مکانی، توسعه روشهای بهینهسازی این سیستمها ضروری شده است. این پژوهش یک فریمورک نوین برای بهبود دقت و کیفیت پیشنهادات ارائه میکند که مبتنی بر روش های یادگیری ماشین در اجزای فربم ورک و مدلسازی تصمیمگیری چندمعیاره نوتروسفیک است.
مدل پیشنهادی شامل سه مرحله اصلی است: پردازش دادههای مکانی، بهینهسازی مدل توصیهگر و رتبهبندی پیشنهادات نهایی. برای تحلیل دقیقتر مکانها، ویژگی های کلیدی از جمله مجاورت جغرافیایی، الگوهای رفتاری کاربران و دادههای شبکههای اجتماعی شناسایی شدهاند. الگوریتمهای خوشهبندی مانند رقابت استعماری و منطق فازی C-MEANS کلاسترهای نزدیک به هم را از نظر جغرافیایی پیدا می کند . در کنار آن، روش تصمیمگیری چندمعیاره ویکور نوتروسفیک برای رتبهبندی نهایی در هر کلاستر استفاده شده است.
نتایج ارزیابی فریمورک پیشنهادی با مجموعه دادههای Yelp، Foursquare و Flickr نشان میدهد که این مدل نسبت به روشهای سنتی دقت بالاتری دارد. مقایسه این روش با روشهای پایه مانند Popularity Rank (PR)، Classic Rank (CLR) و Frequent Rank (FR) نشاندهنده بهبود عملکرد در معیارهای دقت، میانگین قدرمطلق خطا و نرخ پذیرش پیشنهادات توسط کاربران است. همچنین، مقایسه با پژوهشهای دیگر نشان میدهد که استفاده از دادههای جامعتر مانند زمان بازدید، شرایط آب و هوا و تحلیل دقیقتر دادهها موجب بهبود کیفیت توصیهها شده است.
در نهایت، مقایسه روش پیشنهادی با الگوریتمهای CRPNS ،MMPOI که هر یک فریم ورکی را پیشنهاد داده اند نشان میدهد که بهبود های انحام شده، در معیارهای Precision، Recall و NDCG عملکرد بهتری دارد. این یافتهها نشان میدهد که بهرهگیری از مدل نوتروسفیک در تصمیمگیری چندمعیاره میتواند بهطور مؤثری دقت و کیفیت پیشنهادات را بهبود بخشد.
Location-based recommender systems significantly enhance user experience in areas such as restaurant recommendations, recreational spaces, and urban services by utilizing spatial data and analyzing user behavior. This research proposes a novel framework to improve the accuracy and quality of recommendations, leveraging machine learning methods and neutrosophic multi-criteria decision modeling. The proposed model consists of three main stages: spatial data processing, recommender system optimization, and final recommendation ranking. Key features, including geographical proximity, user behavioral patterns, and social network data, have been identified to analyze locations more accurately. Clustering algorithms, such as the Imperialist Competitive Algorithm (ICA) and Fuzzy C-Means, are employed to identify geographically close clusters. Additionally, the neutrosophic VIKOR multi-criteria decision-making method is utilized for final ranking within each cluster. Evaluation results using datasets from Yelp, Foursquare, and Flickr indicate that the proposed model achieves higher accuracy compared to traditional methods. A comparison with baseline approaches, including Popularity Rank (PR), Classic Rank (CLR), and Frequent Rank (FR), demonstrates improved performance in terms of accuracy, mean absolute error, and user acceptance rate of recommendations. Furthermore, comparisons with other studies reveal that incorporating more comprehensive data, such as visit time and weather conditions, along with more detailed data analysis, enhances the quality of recommendations. Finally, a comparison of the proposed method with the CPRNS and MMPOI algorithms, both of which introduced a framework, shows that the implemented improvements achieve better performance in terms of Precision, Recall, and NDCG2 metrics.
