فهرست مطالب نویسنده:

mahdi bazargani

انتخاب همه

A deep neural network-based approach in tag recommender system to overcome users' Cold Start

Mahdi Bazargani, Sasan H. Alizadeh *

International Journal Of Nonlinear Analysis And Applications, Volume:15 Issue: 7, Jul 2024, PP 197 -214

Recommender systems are used in various fields such as movies, music, and social networks. Recommender systems aim to provide attractive offers to users according to their performance in the system. The most popular recommender systems are content-based models and collaborative filtering methods. One of the most important challenges and problems in recommender systems is the challenge of users' cold start. So far, various methods such as machine learning algorithms, optimization approaches, and statistical methods, have been proposed by other researchers in improving internet marketing strategy and overcoming the cold-start problem, which despite having numerous applications, still could not solve the start problem. This article will investigate the problem of cold start users' by presenting a recommendation model based on a deep neural network and considering the problem of improving the internet (network) marketing strategy. In this article, the relevant simulation is done on the popular Movielens dataset, which is from 2015, and the evaluations of the methods presented on this dataset are compared

Keywords: Marketing, Cold Start, Deep Neural Network, Recommender System

Abstract View Paper Research/Original Article Original: English
ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی

احسان الله کوزه گر*، هادی یارمحمدی، مهدی بازرگانی، زینب همایونپور

نشریه سیستم های پردازشی و ارتباطی چند رسانه ای هوشمند، پیاپی 1 (پاییز 1399)، صص 55 -64

سیستم های توصیه گر با تحلیل و بررسی داده های متعلق به کاربران، یک سری آیتم های خاص را برمبنای علایق به کاربران پیشنهاد می کنند. هدف از آنالیز داده های مربوط به کاربران، استخراج الگوهای هر کاربر به منظور پیش بینی آیتم ها می باشد. یکی از مهمترین روش ها در سیستم های توصیه گر، روش فیلترینگ مشارکتی است. در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی از معیارهای شباهت جهت کشف کردن کاربران مشابه با کاربر جدید برای ارایه پیشنهاد استفاده می شود. از چالش های سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی می توان به فاکتورهای شباهت و تشخیص همسایگی اشاره کرد. در این مقاله از روش نزدیک ترین همسایه به منظور تشخیص همسایگان مشابه به کاربر جدید برمبنای فاصله استفاده می کنیم. مدل پیشنهادی که برگرفته از روش کاربر-آیتم است، امتیاز اقلام برمبنای فاصله محاسبه می شود و نزدیکترین فاصله به منظور تشابه انتخاب می شود. در مدل پیشنهادی، تشخیص کاربران مشابه براساس ماتریس کاربر-آیتم توسط فاصله اقلیدسی انجام می شود. آزمایشات مدل پیشنهادی برروی مجموعه داده Movielens که شامل 1682 آیتم است انجام شده است. برای ارزیابی از معیارهای دقت، فراخوانی، F1، میانگین خطای مطلق و میانگین خطای مربعات ریشه استفاده شده است. میانگین خطای مطلق در مدل پیشنهادی در مقایسه با شباهت پیرسون و کسینوسی کمتر است و مقدار آن برابر با 0.7315 می باشد. در نتیجه دقت مدل پیشنهادی در تشخیص تشابه و پیش بینی بیشتر است.

کلید واژگان: سیستم های توصیه گر, فیلترینگ مشارکتی, نزدیکترین همسایه, میانگین خطای مطلق

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Presenting a novel method based on collaborative filtering for nearest neighbor detection in recommender systems

Ehsan Kozegar *, Hadi Yarmohammadi, Mahdi Bazargani, Zeinab Homayounpour

Journal of Intelligent Multimedia Processing and Communication Systems, Volume:1 Issue: 1, 2020, PP 55 -64

Recommendation systems propose specific items to users based on their interests by analysis the user data. The main goal of this analysis is extraction of each user pattern to predict the interested items. One of the main well-known methods in recommender systems is collaborative filtering in which similarity measures are utilized to detect similar users to a new user. The challenging issues related to collaborative filtering are similarity and neighborhood detection. In this paper, nearest neighbor (NN) algorithm is used to detect similar neighbors to a new user. The proposed model, which is inspired by user-item method, the score of items is calculated based on a distance metric and the nearest neighbor is selected. In the presented work, we detect similar users using user-item matrix and the Euclidean distance. The proposed method is evaluated on Movielens dataset which includes 1682 items and evaluation metrics such as Accuracy, Precision, Recall, F1-measure, Mean Absolute Error (MAE), and Root Mean Square Error (RMSE) are measured. MAE of the proposed method is 0.7351 which is less than Pearson and Cosine similarities, which demonstrates the superior performance of the proposed method in similarity detection and prediction.

Keywords: Recommender Systems, collaborative filtering, Nearest neighbor, Mean absolute error

Abstract View Paper Research/Original Article Original: Persian

بدانید!

در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

mahdi bazargani