fa ارائه راهکاری نوین برای تولید سامانه‌های توصیه‌گر با استفاده از روش تجزیه نامنفی ماتریس جبر alg مقاله استخراج شده از پایان نامه Research Paper <span style="font-family: 'B Nazanin'; font-size: 10pt;">تجزیه نامنفی ماتریس یک رویکرد جدید برای کاهش ابعاد داده‌ها است. در این روش با اعمال محدودیت نامنفی بودن داده‌های ماتریس، ماتریس به اجزایی تجزیه می‌شود که این اجزا تفسیر پذیرتر هستند و داده‌ها را به بخش‌هایی تقسیم می‌کنند که داده‌های موجود در این بخش‌ها ارتباط خاصی با هم دارند. در این مقاله از این خاصیت تجزیه نامنفی ماتریس، برای تجزیه ماتریس امتیازات کاربران به کالاها در سامانه‌های توصیه‌گر استفاده می‌کنیم. بدین‌ترتیب که ماتریس امتیازات را تجزیه می‌کنیم به‌گونه‌ای که کاربران با علایق مشابه تشخیص داده می‌شوند. در این مقاله به‌منظور کمینه‌سازی اختلاف بین ماتریس اصلی و فاکتورهای تجزیه، از روش منظم‌سازی استفاده می‌کنیم به‌طوری ‌که ضرایبی از نرم فاکتورهای تجزیه را در معادله تجزیه اعمال می‌کنیم که در یک فرایند به‌‌روز رسانی ضربی، داده‌های فاکتورهای تجزیه را کنترل می‌کنند. نتایج عددی روی مجموعه داده‌های موی‌لنز</span><font face="Times New Roman, serif"><span style="font-size: 14.6667px; line-height: 23.4667px;">&nbsp;</span></font><span style="font-family:B Nazanin;"><span style="font-size:10.0pt;">نشان‌گر دقت بیش‌تر روش پیشنهادی ما در پیش‌بینی امتیازات کاربران به کالاها است.</span></span><br> &nbsp; <div></div> Nonnegative Matrix Factorization is a new approach to reduce data dimensions. In this method, by applying the nonnegativity of the matrix data, the matrix is ​​decomposed into components that are more interrelated and divide the data into sections where the data in these sections have a specific relationship. In this paper, we use the nonnegative matrix factorization to decompose the user ratings matrix in recommender systems. The user ratings matrix is factorized in a way that the users with similar interests can be identified.<br> In this paper, we used a regularization method to minimize the difference between the main matrix and the factorized components. To this end we insert the coefficients which are defined as the norm of the decomposition factors in the factorization equation. The coefficients control the entries of the decomposition factors in a multiplication update process. Our numerical results on the MovieLens data set represent the greater accuracy of our proposed method in predicting user ratings for items.&nbsp;&nbsp;&nbsp; &lrm;<a href="./files/site1/files/71/11.pdf">./files/site1/files/71/11.pdf</a><span dir="RTL"></span><br> <span dir="RTL"></span> تجزیه نامنفی ماتریس, سامانه‌های توصیه‌گر‌, کم‌ترین مربعات تکراری‌, به‌روز رسانی ضربی, پردازش داده. Non negative, Recommender systems, Alternative least square, Multiplicative Update, Data analysis. 111 126 http://mmr.khu.ac.ir/browse.php?a_code=A-10-707-1&slc_lang=fa&sid=1 nushin shahrokhi نوشین شاهرخی nushin_shahrokhi@yahoo.com 10031947532846004446 10031947532846004446 Yes دانشگاه خوارزمی، دانشکدۀ علوم ریاضی و کامپیوتر، گروه علوم کامپیوتر somayeh arabi narie سمیه عربی نرئی somayeh.arabi@gmail.com 10031947532846004447 10031947532846004447 No دانشگاه خوارزمی، دانشکدۀ علوم ریاضی و کامپیوتر، گروه علوم کامپیوتر