امروزه سیستم‌های توصیه‌گر (Recommendation Systems) با تحلیل رفتار کاربران، نقش مهمی در پیشنهاد دقیق و سریع اقلام به کاربران ایفا می‌کنند. این سیستم‌ها برای مواجهه با چالش‌هایی نظیر حجم عظیم اطلاعات، مشکل “شروع سرد” ناشی از کمبود داده‌های اولیه کاربران جدید، و پراکندگی اطلاعات طراحی شده‌اند. هدف این پژوهش ارائه روش نوین بهینه‌سازی مبتنی بر الگوریتم‌های فراابتکاری و خوشه‌بندی فازی است که دقت و سرعت سیستم‌های توصیه‌گر را در فروشگاه‌های اینترنتی فیلم افزایش می‌دهد. در روش پیشنهادی، از الگوریتم خوشه‌بندی فازی استفاده شده تا با دسته‌بندی داده‌ها، تعداد مقایسه‌ها کاهش یابد و سرعت توصیه بهبود یابد. برخلاف الگوریتم‌های سنتی که تنها از معیارهای امتیازدهی برای سنجش شباهت کاربران استفاده می‌کنند، این الگوریتم فاکتور زمان را نیز به عنوان پارامتر مهمی برای تحلیل رفتار کاربران در نظر می‌گیرد. این نوآوری به سیستم امکان می‌دهد تغییرات علایق کاربران در طول زمان را به‌خوبی مدیریت کرده و توصیه‌هایی با دقت بالاتر ارائه دهد. نتایج نشان می‌دهند که روش پیشنهادی در مقایسه با روش‌های دیگر، دقت بالاتری (تا 99%) دارد، میزان پوشش بیشتری ارائه می‌کند و زمان پاسخگویی به درخواست‌ها را به‌طور قابل‌توجهی کاهش می‌دهد. برای بررسی عملکرد، داده‌های واقعی از پایگاه‌های اینترنتی فیلم مانند IMDB استفاده شده و با دو سیستم توصیه‌گر فاقد الگوریتم فراابتکاری و فاقد الگوریتم خوشه‌بندی مقایسه شده است. نتیجه آزمایش‌ها نشان می‌دهد که الگوریتم‌های فراابتکاری و خوشه‌بندی فازی تأثیر مثبتی بر بهینه‌سازی ابعاد داده‌ها، افزایش دقت توصیه و کاهش زمان پردازش دارند. روش‌های فراابتکاری، شامل الگوریتم کلونی زنبور عسل برای کاهش ابعاد، در این پروژه مورد استفاده قرار گرفته‌اند که توانایی یافتن راه‌حل‌های دقیق و بهینه را به‌طور قابل‌توجهی ارتقا داده‌اند. علاوه بر این، خوشه‌بندی سلسله‌مراتبی فازی باعث شده تا داده‌ها تحت وزن‌های مختلف به خوشه‌ها تخصیص یابند و زمینه‌ای برای پیشنهادات پویا و مؤثر فراهم شود. با توجه به نتایج، روش پیشنهادی نه تنها دقت توصیه‌های سیستم را افزایش داده بلکه با کاهش خطای توصیه اقلام کم‌کیفیت، کیفیت کلی سیستم ارتقا یافته است.

سیستم توصیه گر الگوی رفتاری کاربران الگوریتم های فرا ابتکاری الگوریتم های فازی