چکیده
سیستمهای توصیهگر با توجه به تواناییشان در انتخابهای مناسب برای کاربران، در حوزه فناوریهای اینترنت به سرعت در حال رشد هستند. بنابراین بهبود عملکرد در این سیستمها، میتواند امری مهم و قابل توجه باشد. روشهای دادهکاوی به طور مؤثر میتوانند یک راهحل برای کسب نتایج بهتر در این سیستمها شوند. در این پایاننامه دو روش جدید با ترکیب فیلترکننده مشارکتی و طبقهبند ماشین بردار پشتیبان رُبع کُره ارائه شده است. نخستین روش با معرفی یک پارامتر جدید تعیینکننده درجه اعتبار نمونهها، با کمک الگوریتم خفاش مجهز به پرواز لِوی آشوبی، تأثیر دادههای نویزی و پَرت در ساخت مرز تصمیمگیری را کاهش داده است تا درنتیجه آن به افزایش کارایی طبقهبند ماشین بردار پشتیبان رُبع کُره منجر شود. در روش دوم با تعیین میزان اهمیت نمونهها به¬کمک مجموعه فازی ناهموار، طبقهبند بهتری نسبت به روشهای پیشین ارائه شده است. جهت نشاندادن کارایی روشهای پیشنهادی آزمایشهای متعددی بر روی مجموعه دادههای محک اجرا شده است. نتایج آزمایشها روی مجموعه دادههای واقعی نشان میدهد که روشهای پیشنهادی کارایی را نسبت به روشهای مطرح موجود، بهبود میبخشد.