علوم رایانش و فناوری اطلاعات

پیاده‌سازی سیستم پیشنهاد شغل ترکیبی مبتنی بر محتوا و پالایش مشارکتی

نویسندگان

دانشگاه آزاد اسلامی واحد زرقان، زرقان، ایران

چکیده

جستجوی شغل دامنه جدید و چالش برانگیزی در دسترسی به اطلاعات است. دفاتر کاریابی نیاز به سیستم های پیشنهاد دهنده ای دارند که بتواند نیازهای کارجویان و فرصت های شغلی را پاسخ دهد. در این پژوهش به کمک سیستم­ پیشنهاد دهنده ترکیبی مبتنی بر محتوا و پالایش مشارکتی و با تحلیل معرفینامه کاربران و اطلاعات فرصت های شغلی، مشاغلی متناسب با ویژگی های هر فرد، به کاربر توصیه می شود. از آن جا که روش پالایش مشارکتی دو مشکل عمده شروع سرد و اعتماد کاربر دارد، در این مقاله علاوه بر حل مشکل شروع سرد، مسئله اعتماد کاربر نیز پوشش داده شده است . روش پیشنهادی شامل سه مرحله خوشه بندی اولیه کاربران و تعیین خوشه، تعیین وزن مناسب برای هر ویژگی و تعیین همسایگان نزدیک کاربر جدید، تشکیل ماتریس مجاورتی و محاسبه امتیاز کاربر جدید به هر شغل می باشد. جهت خوشه بندی اولیه از سیستم محتوا محور بر اساس اطلاعات دموگرافیک کاربران و جهت شناسایی همسایگان نزدیک و ارائه پیشنهادات از پالایش مشارکتی استفاده شده است . جهت انجام آزمایشها از مجموعه داده کاریابی های استان فارس استفاده شده و نتایج نشان می دهد میزان خطای روش پیشنهادی نسبت به روش پایه سامانه کاریابی 4.1% کاهش یافته است.

کلیدواژه‌ها

  • [1] ز. مرادی منش، تحلیل فنی سیستم‌های توصیه‌گر، برای اخذ مدرک کارشناسی در رشته مهندسی نرم‌افزار، دانشگاه علم و فرهنگ.
  • [2] D. H. Park, H. K. Kim, Y. Choi, and J. K. Kim, “A literature review and classification of recommender systems research,” Expert Systems with Applications, vol. 39, no. 11, pp. 10059–10072, 2012.
  • [3] G. Karypis, and Book: "CLUTO A Clustering Toolkit", November 28, 2003.
  • [4] J. Chen, Uliji, H. Wang, and Z. Yan, "Evolutionary heterogeneous clustering for rating prediction based on user collaborative filtering", Swarm and Evolutionary Computation, 2017.
  • [5] H. Koohi, and K. Kiani, "A New Method to find Neighbor Users that Improves the Performance of Collaborative Filtering", Expert Systems With Applications, 2017.
  • [6] J. Hu, S. Sharma, Z. Gao, and V. Chang, " Gene-based Collaborative Filtering using recommender system", Elsevier, Computers and Electrical Engineering, 2017.
  • [7] G. Lv, Ch. Hu, and Sh. Chen, "Research on recommender system based on ontology and genetic algorithm", Neurocomputing, Elsevier, 2015.
  • [8] Y. Ar, and E. Bostanci, "A Genetic Algorithm Solution to the Collaborative Filtering Problem", Expert Systems with Applications, 2016.
  • [9] E.Q. Silva, C.G. Camilo-Junior, L.M.L. Pascoal, and T.C. Rosa, "An evolutionary approach for combining results of recommender systems techniques based on collaborative filtering", Expert Systems With Applications, Elsevier, 2016.
  • [10] A. Malizia, K.A. Olsen, T. Turchi, and P. Crescenzi, "An ant-colony based approach for real-time implicit collaborative information seeking", Information Processing and Management, Elsevier, 2017.
  • [11] R. Katarya, and O. Verma, "An effective collaborative movie recommender system with cuckoo search", Egyptian Informatics Journal, Elsevier, 2016.
  • [12] K. Honda, "Fuzzy Co-Clustering and Application to Collaborative Filtering", Springer International Publishing AG, 2016.
  • [13] H. Koohi, and K. Kiani, "User Based Collaborative Filtering using Fuzzy C-Means", Measurement, 2016.
  • [14] R. Katarya, and O.P. Verma, " An effective web page recommender system with fuzzy c-mean clustering", Multimed Tools Appl Journal in Springer, vol. 9978, 2016.
  • [15] M. Nilashi, K. Bagheri Fard, M. Rahmani, and V. Rafe, "A Recommender System for Tourism Industry Using Cluster Ensemble and Prediction Machine Learning Techniques", Computers & Industrial Engineering, 2017.
  • [16] M.N. Moreno, S. Segrera, V.F. López, M.D. Muñoz, and A.L. Sánchez, "Web mining based framework for solving usual problems in recommender systems. A case study for movies" recommendation", Neurocomputing, Elsevier, 2015.
  • [17] F. Bianchi, A. Rizzi, A. Sadeghian, and C. Moiso, "Identifying user habits through data mining on call data records", Engineering Applications of Artificial Intelligence, Elsevier, 2016.
  • [18] M. Najafabadi, M. Mahrin, S. Chuprat, and H. Sarkan, "Improving the accuracy of collaborative filtering recommendations using clustering and association rules mining on implicit data", Computers in Human Behavior, Elsevier, 2017.
  • [19] L.H. Son, "Dealing with the new user cold-start problem in recommender systems:A comparative review", InformationSystems, Elsevier, 2017.
  • [20] J. Wei, J. He, K. Chen, Y. Zhou, and Z. Tang, "Collaborative Filtering and Deep Learning Based Recommendation System For Cold Start Items", Expert Systems With Applications, 2016.
  • [21] X. Luo, Y. Xia, Q. Zhu, and Y. Li, "Boosting the K-Nearest-Neighborhood based incremental collaborative filtering", Knowledge-Based Systems, Elsevier, 2013.
  • [22] Sh. Liao, and H. Chang, "A rough set-based association rule approach for a recommendation system for online consumers", Information Processing and Management, Elsevier, 2016.
  • [23] S. Moro, P. Rita, and B. Vala, "Predicting social media performance metrics and evaluation of the impact on brand building: A data mining approach", Journal of Business Research, Elsevier, 2016.
  • [24] C. Yang, X. Yu, Y. Liu, Y. Nie, and Y. Wang, "Collaborative filtering with weighted opinion aspects",Neurocomputing, Elsevier, 2016.
  • [25] R. Katarya, and O. Verma, "Recent developments in affective recommender systems", Physica A, Elsevier, 2016.
  • [26] V. Kagita, A.K. Pujari, V. Padmanabhan, S. Sahu, and V. Kumar, "Conformal Recommender System",Information Sciences, 2016.
  • [27] S. Frémal, and F. Lecron, "Weighting strategies for a recommender system using item clustering based on genres", Expert Systems With Applications, Elsevier, 2017.
  • [28] P. Ładyzynski, and P. Grzegorzewski, "Vague preferences in recommender systems", Expert SystemsWithApplications, Elsevier, 2015.
  • [29] F. Zhang, Q. Liu, and A. Zeng,"Timeliness in recommender systems", Expert Systems with Applications, Elsevier, 2017.
  • [30] M. Scholz, V. Dorner, G. Schryen, and A. Benlian, "A configuration-based recommender system for supporting e-commerce decisions", European Journal of Operational Research, 2016.
علوم رایانش و فناوری اطلاعات
دوره 18، شماره 1
بهار و تابستان
اردیبهشت 1399