چکیده
در سیستم های توصیه گر مشارکت محور، محصولات به عنوان ویژگی شناخته میشوند و از کاربران درخواست میگردد تا به محصولات خریداری شده، رأی دهند. با آموختن رتبهبندی ارائه شده توسط کاربران، سیستم توصیه گر میتواند محصولات جالبی را به کاربران توصیه نماید. با این حال، معمولاً محصولات بسیار زیادی در تجارت الکترونیک وجود دارد و ممکن است این راهکار چندان کارآمد نباشد، به خصوص در زمانهایی که لازم است هر محصول قبل از ساخت در سیستم توصیه گر قرار گیرد. ما یک روش جدید را پیشنهاد میکنیم که یک الگوریتم خوشهبندی خودکار را برای کاهش ابعاد مرتبط با تعداد محصولات در بردارد. محصولات مشابه در خوشهای یکسان قرار میگیرند و محصولات نامشابه، در خوشههای متفاوتی قرار میگیرند. کارهای پیشنهادی سپس با نتیجه خوشهبندی انجام میگیرد. در نهایت، انتقال مجدد انجامشده و لیست مرتب شده از محصولات پیشنهادی به هر کاربر پیشنهاد میگردد. با روش پیشنهادی، زمان پردازش برای تهیه پیشنهاد کاهش مییابد. نتایج آزمایشها، نشان میدهد که کارایی سیستم های پیشنهادی میتواند، بدون به خطر انداختن کیفیت توصیهها بهبود یابد.