فهرست نشریات علمی دسترسی آزاد ایران

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.