همایش آروین البرز ETSJR 1 2 Optimization of Movie Recommendation Systems Using Fuzzy Metaheuristic Algorithms بهینه سازی سیستم های توصیه گر فیلم با استفاده از الگوریتم های فراابتکاری فازی 84 106 10.22051/jera.2021.31891.2698 FA زهرا کارشناس ارشد مهندسی کامپیوتر نرم افزار، دانشکده مهندسی، موسسه آموزش عالی زند شیراز، استان فارس، ایران محمدرضا عضو هیات علمی گروه کامپیوتر، دانشکده مهندسی، موسسه آموزش عالی زند شیراز، استان فارس، ایران 2025 04 21 Nowadays, Recommendation Systems play an important role in accurately and quickly suggesting items to users by analyzing user behavior. These systems are designed to face challenges such as the huge volume of information, the “cold start” problem caused by the lack of initial data of new users, and information fragmentation. The aim of this research is to present a new optimization method based on metaheuristic algorithms and fuzzy clustering that increases the accuracy and speed of recommender systems in online movie stores. In the proposed method, the fuzzy clustering algorithm is used to reduce the number of comparisons and improve the speed of recommendation by categorizing data. Unlike traditional algorithms that only use scoring criteria to measure user similarity, this algorithm also considers the time factor as an important parameter for analyzing user behavior. This innovation allows the system to well manage changes in user interests over time and provide recommendations with higher accuracy. The results show that the proposed method has higher accuracy (up to 99%), provides greater coverage, and significantly reduces the response time to requests compared to other methods. To examine the performance, real data from movie websites such as IMDB were used and compared with two recommender systems without metaheuristic algorithms and without clustering algorithms. The results of the experiments show that metaheuristic and fuzzy clustering algorithms have a positive effect on optimizing data dimensions, increasing recommendation accuracy, and reducing processing time. Metaheuristic methods, including the honey bee colony algorithm for dimensionality reduction, have been used in this project, which have significantly improved the ability to find accurate and optimal solutions. In addition, fuzzy hierarchical clustering has allowed data to be assigned to clusters under different weights, providing a basis for dynamic and effective recommendations. According to the results, the proposed method not only increased the accuracy of the system's recommendations, but also improved the overall quality of the system by reducing the error in recommending low-quality items. 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. /downloadfilepdf/205142