ارائه یک سیستم توصیه گر وب معنایی مبتنی بر فیلتر کردن تجمعی

در کنار رشد سریع اینترنت، هر روزه به تعداد اسناد، موسیقی، فیلم ها، کتاب های موجود در اینترنت توسط افراد و ماشین ها تولید می شود. جامعه ی ما وارد عصر کلان داده ها (داده های بزرگ) شده است. دستگاه های هوشمند متعدد و برنامه های تلفن همراه، کاربران اینترنت می توانند انواع اطلاعات مربوط به اموزش، خرید، فعالیت اجتماعی و ... را کسب کنند. با افزایش حجم داده ها، افراد باید با مسئله ی اطلاعات گسترده مواجه شوند که تصمیم گیری درست را بسیار دشوار می سازد. این چالش بزرگ معروف به سر بار اطلاعاتی می باشد. بعلاوه، محدود به توانایی ورودی دستگاه های تلفن همراه، کاربران معمولا جهت توضیح آنچه می خواهند تمایلی به استفاده از لغات زیاد ندارند. سیستم توصیه گر می تواند با یافتن الزامات بالقوه ی کاربران و انتخاب گزینه های مطلوب از بین مقادیر زیادی اطلاعات منتخب، این مسائل را کاهش دهد. مطمئنا رساله و کامپیوترها به خصوص مرورگرها به یافتن اطلاعات مورد نیاز کمک می کنند، بنابراین، سیستمی که بتواند بدون نیاز و درخواست به صورت خودمختار و اتوماتیک پیشنهاد و توصیه های ارائه دهد بسیار مفید خواهد بود. به علت مسئله جدی سربار اطلاعاتی بر روی اینترنت، سیستم های توصیه گر به عنوان یکی از مهم ترین راه حلّ های موجود بصورت متداول برای کمک به کاربرانی مورد استفاده قرار گرفته است که به اطلاعات ارزشمندتری دست یافته اند. در این پژوهش ایراد زمانی که تمام همسایه های مشابه به آیتم مورد نظر، نظری نداده باشند تا حد قابل توجهی حل شده است. مهم ترین جنبه نوآوری این کار ترکیب جدیدی از الگوریتم های داده کاوی و هوش مصنوعی برای رفع مشکلات سیستم های توصیه گر می باشد. در این پژوهش با استفاده از ترکیب خوشه بندی فازی و کلونی مورچگان به ارائه سیستم توصیه گری پرداخته شده است، که نتایج بدست آمده با استفاده از معیار خطا و درصد پوشش دهی و حدود 0.5 درصد با دیگر روش ها مقایسه شده نشان دهنده برتری این سیستم نسبت به کارهای پیشین است.