سیستمهای پیشنهادکننده برای کمک به کاربران در پیدا کردن آیتمها یا خدمات جدیدی مانند کتاب، موسیقی، حمل ونقل و یا حتی افراد به کار میروند و مبتنی بر اطلاعات مربوط به کاربر یا مورد پیشنهاد شده است. همچنین این سیستمها نقش مهمی در تصمیمگیری دارند و به کاربران در به حداکثر رساندن سود یا به حداقل رساندن ریسک کمک میکنند. تعداد مقالات علمی به سرعت در حال رشد هستند. از آنجایی که به طور روز افزون مقالات بیشتری در پایگاههای داده وارد میشوند، دسترسی به مقالات کاملا مرتبط با نیاز جستوجوکننده سختتر از پیش شده و ضروری است تا خواسته کاربر را به دست بیاوریم. دستیابی به مقالات مورد نظر در میان حجم انبوهی از مقالات، موجب اتلاف وقت زیادی از کاربران میشود و در نهایت ممکن است کاربران موفق به دستیابی به مقالات مورد نظرشان نشوند. همچنین گسترش بسیار زیاد مقالات و تنوع موجود نیز موجب بروز مشکل مشابهی شده است. از این رو یک پیشنهاد مفید مطابق با معیارهای کاربران، آنها را از سردرگمی و اتلاف وقت بیهوده باز میدارد. به این منظور سیستم پیشنهادهنده یا توصیهگر با ارائه پیشنهادات مناسب به کاربران سعی در برطرفکردن این مشکل دارند. در این پژوهش سعی کردیم تا با توجه به دیتاست انتخاب شده که عمومی و در دسترس است، یک سیستم پیشنهاددهنده مقالات علمی را پیادهسازی و ارزیابی نماییم. برای این کار با توجه به دروس مطرح در هوش مصنوعی مثل پردازش زبان طبیعی، دادهکاوی و یادگیری ماشین این سیستم به روشهای مختلف پیادهسازی و ارزیابی شد. نتایج نشان داد که محاسبه شباهت زاویهای یا کوساین و محاسبه شباهت منهتن برای این دیتاست نتایج بهتری را ارائه میدهند. برای ارزیابی سیستم پیشنهادی از دو معیار سود تجمعی تخفیفی و میانگین رتبه متقابل که معیارهایی آماری درسیستمهای بازیابی اطلاعات است، استفاده شد. سپس با توجه به تعریف دو معیار پرسیژن و ریکال نیز محاسبه و مقایسه شد.
هاشمینژاد، محمد حسین، زهرا مطیعیان، و جلالالدین نصیری. 1397. مقایسه یک سیستم پیشنهاددهنده متنی با سه معیار اندازهگیری شباهت کسینوسی، فاصله اقلیدسی و فاصله منهتن. مقاله ارائه شده در ششمین کنگره بینالمللی توسعه و ترویج علوم و فنون بنیادین در جامعه، تهران.
