Recommender system has been emerged as a personalization tool to solve the issue of information overload in an e-commerce environment. Traditional collaborative filtering (CF) based recommender systems (RSs) suggest items to users based on their overall ratings which are used to find out similar users. Multi-criteria ratings are used to capture user preferences efficiently in multi-criteria recommender systems (MCRS), and incorporation of various criteria ratings can lead to higher performance in MCRS. Usually, user relies on the credibility of an item provided through his/her social circle or similar users, which is called a personal view on items from their close ones. However, it is not generally sufficient to depend exclusively on the personal view of the user. Therefore, public view that includes whole community can play a key role in the credibility of an item. In this paper, we propose a MCRS based on the credibility score of an item, which is an aggregated value of credibility scores on various criteria of an item. These credibility scores are computed based on personal and public views. However, different users have different priorities to various criteria of an item. Therefore, we use genetic algorithm to learn appropriate weights in the aggregation task of credibility score. The experiment results on Yahoo! Movies and modified MovieLens dataset demonstrate the effectiveness of proposed credibility score based MCRS in terms of coverage, recall, precision, and f-measure.

推荐系统已经成为一种个性化工具，可以解决电子商务环境中信息过载的问题。传统的基于协作过滤（CF）的推荐系统（RS）根据用户的整体评分向用户推荐商品，这些商品用于查找相似用户。多标准等级用于在多标准推荐系统（MCRS）中有效地捕获用户的偏好，并且各种标准等级的合并可以提高MCRS的性能。通常，用户依赖于通过他/她的社交圈或类似用户提供的商品的信誉，这被称为来自其亲密商品的个人观点。但是，仅仅依靠用户的个人观点通常是不够的。因此，包括整个社区在内的公众观点可以在项目信誉方面发挥关键作用。在本文中，我们基于项目的可信度得分提出了MCRS，MCRS是基于项目的各种标准的可信度得分的总和。这些信誉分数是根据个人和公众观点计算的。但是，不同的用户对项目的各种标准具有不同的优先级。因此，我们使用遗传算法在可信度评分的聚合任务中学习适当的权重。在Yahoo!上的实验结果 电影和经过修改的MovieLens数据集在覆盖率，召回率，准确性和f度量方面证明了基于MCRS提出的可信度评分的有效性。这是根据一项商品的各种标准得出的信誉分数的总和。这些信誉分数是根据个人和公众观点计算的。但是，不同的用户对项目的各种标准具有不同的优先级。因此，我们使用遗传算法在可信度评分的聚合任务中学习适当的权重。在Yahoo!上的实验结果 电影和经过修改的MovieLens数据集在覆盖率，召回率，准确性和f度量方面证明了基于MCRS提出的可信度评分的有效性。这是根据一项商品的各种标准得出的信誉分数的总和。这些信誉分数是根据个人和公众观点计算的。但是，不同的用户对项目的各种标准具有不同的优先级。因此，我们使用遗传算法来学习可信度评分聚合任务中的适当权重。在Yahoo!上的实验结果 电影和经过修改的MovieLens数据集在覆盖率，召回率，准确性和f度量方面证明了基于MCRS提出的可信度评分的有效性。在Yahoo!上的实验结果 电影和经过修改的MovieLens数据集在覆盖率，召回率，准确性和f度量方面证明了基于MCRS提出的可信度评分的有效性。在Yahoo!上的实验结果 电影和经过修改的MovieLens数据集在覆盖率，召回率，准确性和f度量方面证明了基于MCRS提出的可信度评分的有效性。