1004

چكيده. با توجه به انبوه اطلاعات در شبكۀ جهاني اينترنت، وجود سامانه هاي پيشنهادگر كه كالاها را ضروري به نظر مي رسد. يكي از چالش هاي  به شكل خودكار و هوشمندانه به كاربران پيشنهاد دهند، كاملا مطرح در اين نوع سامانه ها، تُنكي ماتريس كاربر‑كالا است كه باعث مي شود سامانه نتواند پيشنهاد مناسبي به كاربر ارائه دهد و درنتيجه كارايي آن كاهش پيدا مي كند. الگوريتم پيشنهادي ما براي رفع اين مشكل، تركيب پالايش مشاركتي مبتني بر حافظه و پالايش مشاركتي مبتني بر مدل است. براي عد استفاده م ي كنيم كه از طريق فشرده سازي ماتريس ها تقريبي كم رتبه  اين منظور از روش هاي كاهش ب از آن به دست مي دهد و علاوه بر تشخيص داده هاي كم اهميت و حذف آن ها، ساختار داخلي داده ها و تجزيۀ نيمه گسسته (SVD) نيز بهتر مشخص مي شود. به همين دليل، روش هاي تجزيۀ مقدار تكين را مورد بررسي قرار مي دهيم و نتايج حاصل را مقايسه مي كنيم. نتايج به دست آمده نشان (SDD) از نظر زمان اجرا ،SVD با خطايي نزديك به SDD كمترين خطا را دارد، ولي SVD مي دهد كه هرچند و به ويژه حافظۀ موردنياز به صرفه تر است.

فرهنگ و انديشه رياضي

تهران :انجمن رياضي ايران ،1401

1401

41

1

70

97-112

بهار و تابستان