جستجوی مقالات مرتبط با کلیدواژه « سیستم توصیه گر » در نشریات گروه « برق »
تکرار جستجوی کلیدواژه « سیستم توصیه گر » در نشریات گروه « فنی و مهندسی »-
سیستم های توصیه گر زیرمجموعه ای از سیستم های هوشمند پالایش اطلاعات هستند که در فضای اینترنت علایق کاربر را شناسایی نموده و توصیه های مرتبط با سلیقه ی کاربر را ارائه می دهند. پالایش مشارکتی مبتنی بر کاربر، از مهم ترین انواع سیستم های توصیه گر است. از مهم ترین چالش ها در این سیستم ها پراکندگی و حجم زیاد داده ها است که بر کارایی آن ها اثرگذار است. در روش پیشنهادی، برای اولین بار از الگوریتم خوشه بندی فازی C-میانگین مرتب شده و الگوریتم تکاملی ازدحام ذرات تطبیقی آشوبی برای خوشه بندی کاربران استفاده شده است. هدف روش پیشنهادی بهبود میزان خطای پیش بینی در مجموعه داده های حجیم با پراکندگی زیاد و کاهش تاثیر داده های پرت و نویز است. به منظور ارزیابی و اثبات کارایی روش پیشنهادی، آزمایش هایی روی پایگاه داده های واقعی اجرا شده است. نتایج آزمایش ها نشان دهنده ی برتری روش پیشنهادی نسبت به روش های مرز دانش بر اساس معیارهای میانگین خطای مطلق، جذر میانگین مربعات خطا، نرخ صحت و زمان محاسباتی است.
کلید واژگان: سیستم توصیه گر, پالایش مشارکتی, خوشه بندی فازی, الگوریتم تکاملی, الگوریتم ازدحام ذرات تطبیقی آشوبی}Recommender systems are a subset of intelligent information filtering systems that discovers user interests and provide user-friendly recommendations. User-based collaborative filtering recommender systems is one of the most important types of recommender systems. However, they are faced with voluminous data and sparsity problems that have negative effects on the performance of the systems. In the proposed method, fuzzy C-ordered means clustering algorithm is integrated with a chaotic self-adaptive particle swarm evolutionary algorithm for clustering users. The proposed method aims to improve the rating prediction in large sparse datasets and reduce the negative impact of outliers and noisy data. Experiments have been conducted on real-world datasets to evaluate and prove the efficiency of the proposed method. Experimental results show the superiority of the proposed method that the state-of-the-art methods based on prediction error criteria, accuracy rates, and the computational time.
Keywords: Recommender Systems, Collaborative Filtering, Fuzzy Clustering, Evolutionary Algorithm, Chaotic Self-Adaptive Particle Swarm Optimization Algorithm} -
یک سیستم توصیه گر وب برای پیش بینی صفحات موردنظر کاربر با استفاده از رویکردی مبتنی بر وزن دهی ترکیبیبا توجه به رشد روزافزون صفحات موجود در سطح وب، وجود سیستمی که اطلاعات موردنیاز را از میان حجم عظیم داده ها که روزبه روز نیز در حال افزایش می باشند استخراج کند ضروری به نظرمی رسد. سیستم های توصیه گر ابزار یا تکنیک هایی برای فیلتر کردن انبوه اطلاعات هستند و به کاربران اقلامی را پیشنهاد می کنند که برای آن ها رضایت بخش و موردعلاقه هستند. در سیستم های توصیه گر با چالش هایی مانند شروع سرد و پراکندگی داده ها مواجه هستیم که در این مقاله با استفاده از روش مبتنی بر وزن دهی و خوشه بندی، سعی در رفع این چالش ها نمودیم. در این تحقیق به ارائه روش جدیدی به منظور بهبود سیستم های توصیه گر در زمینه وب پرداخته می شود که می تواند صفحات موردنظر کاربر را پیش بینی کند و پیشنهادهای مناسبی را به کاربر ارائه دهد. اساس کار این سیستم توصیه گر استفاده از فیلترینگ مشارکتی و موارد مورد جستجوی کاربر درگذشته می باشد که با انجام عملیات های خوشه بندی ترکیبی از دو الگوریتم K-means و C-means و سپس وزن دهی صفحات موردعلاقه کاربر، لیستی از صفحات را در اختیار کاربر قرار می دهد که کاربر در نظر دارد آن را جستجو کند. طبق تحقیقات صورت گرفته این سیستم توصیه گر تا 85 درصد می تواند صفحات موردنیاز کاربر را به درستی تشخیص و مورد پیش بینی قرار دهد.کلید واژگان: سیستم توصیه گر, وزن دهی, داده کاوی, وبکاوی, فیلترینگ مشارکتی}
-
سیستم توصیه گر می تواند به عنوان نرم افزاری که به افراد مناسب ترین آیتم ها را پیشنهاد می کنند، تعریف شود. این سیستم ها به عنوان یک مشاور کار می کنند تا افراد را در یافتن محصولات مورد علاقه شان راهنمایی کنند. امروزه برای پیاده سازی سیستم های توصیه گر، الگوریتم های متفاوتی به کار برده می شود؛ دسته ای از این الگوریتم ها، الگوریتم های فیلترینگ مشارکتی نام دارند که در آن ها از شباهت کاربران یا شباهت روابط ایجاد شده توسط کاربران میان آیتم ها برای تعیین پیشنهادها استفاده می شود. روش های فیلترینگ مشارکتی، می توانند آیتم هایی موردپسند کاربر اما با محتوای کاملا متفاوت نسبت به سلایق پیشین او پیشنهاد دهند که این پیشنهادها براساس علایق کاربران مشابه به کاربر هدف تولید شده است. در روش های فیلترینگ مشارکتی برای ایجاد مدل یا محاسبه شباهت بین کاربران، معیارها و توابع فاصله متفاوتی استفاده شده است و روش بهینه که بهترین لیست از پیشنهادها را تولید کند، همواره یکسان نیست و متناسب با داده های موجود، این الگوریتم در میان الگوریتم های فیلترینگ مشارکتی، تغییر می کند؛ به همین دلیل، انتخاب روش مناسب برای ایجاد یک سیستم توصیه گر، به چالشی برای طراحان این سیستم تبدیل شده است. در این مقاله روشی مبتنی بر الگوریتم ژنتیک برای برای اجتماع نتایج روش های همسایه محور و انتخاب بهترین پیشنهادها از بین پیشنهادهای تولید شده توسط روش های مختلف با معیارهای فاصله متفاوت برای یک سیستم توصیه گر با هدف پیشنهاد N آیتم برتر ارایه شده است. در پیاده سازی این روش ها ، علاوه بر محاسبه شباهت مستقیم کاربران، تعیین اطمینان غیر مستقیم کاربران نیز مد نظر قرار گرفته است تا اطلاعات موجود از ارتباط بین علایق کاربران افزایش یابد. روش پیشنهادی برای هر مجموعه داده، یک ترکیب از روش های فیلترینگ مشارکتی ایجاد می کند که علاوه بر در نظرگرفتن محدودیت های زمانی در تولید آن، دقت مناسبی دارد. این روش با روش های فیلترینگ مشارکتی همسایه محور به صورت مجزا و همینطور سیستم های مشابه با استفاده از دیتاست Movielens 100k و 1M Movielens و Hetrec2011 مقایسه شده است .آزمایش ها برتری و توانایی تولید پیشنهادهای دقیق تر به کاربران با این روش را نشان می دهد.
کلید واژگان: سیستم توصیه گر, فیلترینگ مشارکتی, الگوریتم ژنتیک, توابع فاصله, اجتماع نتایج, اطمینان استنتاج شده}Recommender system can be defined as a software that suggests the most appropriate and closest item to the user's taste. They work as a counselor, behaving in such a way to guide people in the discovery of products of interest.Nowadays A great number of recommendation methods are used to implement a recommender system, a group of these algorithms are called collaborative filtering. These methods use the similarity between users or the similarity between items according to their user rating patterns for generating recommendations. Collaborative filtering algorithms can recommend the user, interesting items which are not similar to items she has rated before. These recommendations are generated according to the preferences of users with similar taste to the target user. Different similarity functions and metrics have been used to create the model or compute the similarity in collaborative filtering methods. The best method which generates the most relevant items is not always the same and it may change according to the available data of users and items, because each approach has particularities and depends on the context to be applied. Thus, it becomes a hard task for system designers to manually select an appropriate method among the techniques.This article proposes an approach based on genetic algorithm for rank aggregation of memory based collaborative filtering methods and chooses the most relevant recommendations generated by different similarity techniques to create a Top-N recommender system. In order to implement these techniques, in addition to computing the similarity between users, inferred trust is also computed to increase the amount of available information about relations between user interests. The final method proposes a combination of collaborative filtering techniques for each data set, which in addition to considering time limits, has an acceptable precision for making recommendations.The proposed method has been compared against memory based collaborative filtering methods and similar methods. Experiments were performed using 1M MovieLens and 100k MovieLens and HetRec2011 data sets. The results show that the methodology proposed in this paper performs better and has a higher precision in generating recommendations for users than any of similar algorithms.
Keywords: recommender systems, collaborative filtering, genetic algorithm, similarity metrics, rank aggregation, inferred trust} -
In the last decade, online shopping has played a vital role in customers' approach to purchasing different products, providing convenience to shop and many benefits for the economy. E-commerce is widely used for digital media products such as movies, images, and software. So, recommendation systems are of great importance, especially in today's hectic world, which search for content that would be interesting to an individual. In this research, a new two-steps recommender system is proposed based on demographic data and user ratings on the public MovieLens datasets. In the first step, clustering on the training dataset is performed based on demographic data, grouping customers in homogeneous clusters. The clustering includes a hybrid Firefly Algorithm (FA) and K-means approach. Due to the FA's ability to avoid trapping into local optima, which resolves K-means' main pitfall, the combination of these two techniques leads to much better performance. In the next step, for each cluster, two recommender systems are proposed based on K-Nearest Neighbor (KNN) and Naïve Bayesian Classification. The results are evaluated based on many internal and external measures like the Davies-Bouldin index, precision, accuracy, recall, and F-measure. The results showed the effectiveness of the K-means/FA/KNN compared with other extant models.
Keywords: Recommender system, firefly algorithm, K-means, K-Nearest Neighbor, Naïve Bayesian} -
Online scientific communities are bases that publish books, journals, and scientific papers, and help promote knowledge. The researchers use search engines to find the given information including scientific papers, an expert to collaborate with, and the publication venue, but in many cases due to search by keywords and lack of attention to the content, they do not achieve the desired results at the early stages. Online scientific communities can increase the system efficiency to respond to their users utilizing a customized search. In this paper, using a dataset including bibliographic information of user’s publication, the publication venues, and other published papers provided as a way to find an expert in a particular context where experts are recommended to a user according to his records and preferences. In this way, a user request to find an expert is presented with keywords that represent a certain expertise and the system output will be a certain number of ranked suggestions for a specific user. Each suggestion is the name of an expert who has been identified appropriate to collaborate with the user. In evaluation using IEEE database, the proposed method reached an accuracy of 71.50 percent that seems to be an acceptable result.
Keywords: Big Scholarly Data, Online Scientific Communities, Recommender Systems, Expert Finding Systems, IEEE} -
با رشد سریع و مداوم اینترنت، ضرورت وجود سیستم های توصیه گر جهت پالایش اطلاعات افزایش یافته است. در طی سال های اخیر، به دلیل محبوبیت شبکه های اجتماعی، سیستم های توصیه گر مبتنی بر اعتماد توجه زیادی را به خود جلب کرده اند. یکی از ویژگی های مهم اعتماد که معمولا در رویکردهای موجود نادیده گرفته شده است، ویژگی وابستگی به زمینه است. منظور این است که کاربرانی که در یک زمینه خاص قابل اعتماد هستند، لزوما در زمینه های دیگر قابل اعتماد نیستند. بنابراین، سطح اعتماد میان دو کاربر را باید وابسته به زمینه هدف مورد بررسی قرار داد. برای پیش بینی ترجیحات یک کاربر در یک سیستم توصیه گر مبتنی بر اعتماد، می توان روابط اعتماد در هر زمینه را به صورت محلی یا سراسری مدل سازی نمود. زمانی که ماتریس امتیازات بسیار تنک باشد، مدل محلی اثربخشی لازم را نخواهد داشت و منجر به کاهش کیفیت پیشنهادها می گردد. در چنین شرایطی، می توان با بهره گیری از یک مدل سراسری، سطح اعتماد به یک کاربر را بر اساس شهرت وی در کل جامعه تعیین نمود. در این مقاله، یک رویکرد جدید پیشنهاد می شود که از هر دو منبع اعتماد محلی و سراسری به صورت وابسته به زمینه بهره می گیرد و بر اساس سطح تنکی داده ها، آن ها را وزن دهی و ترکیب می نماید. نتایج آزمایش ها بر روی مجموعه داده MovieLens 1M نشان می دهد که میانگین خطای مطلق رویکرد پیشنهادی در مقایسه با رویکردهای CATRA، HUIT و TSF، به طور متوسط به ترتیب 5/2%، 6/5% و 8/6% کمتر است. همچنین در مواجهه با مشکل تنکی داده ها، خطای رویکرد پیشنهادی به طور متوسط بین 4% تا 8% پایین تر از رویکردهای مذکور می باشد.
کلید واژگان: سیستم توصیه گر, اعتماد محلی, سیستم توصیه گرمبتنی بر اعتماد محلی, اعتماد سراسری, سیستم توصیه گر آگاه از زمینه} -
رشد روز افزون تجارت الکترونیک در فضای مجازی باعث معرفی محصولات متنوع و زیادی از سوی شرکت های فعال در این حوزه شده است. در چنین شرایطی انتخاب مناسب و بهینه محصولات از میان حجم انبوه اطلاعات ارائه شده برای کاربران کاری مشکل است. سیستم های توصیه گر با توجه به ویژگی ها، رفتار و علایق کاربران سعی می کنند بهترین و مناسب ترین موارد را به کاربران خود پیشنهاد دهند. در این مقاله یک سیستم توصیه گر ترکیبی با استفاده از دو روش پالایش گروهی و محدودیت محور ارائه شده است که با توجه به استفاده از روش محدودیت محور مشکل شروع سرد روش پالایش گروهی را برطرف کرده است. پایگاه دانش روش محدودیت محور برای کاربران نیز با استفاده از قوانین استخراج شده از تعاملات کاربران همسایه کاربر هدف استخراج شده است که از این نظر هم مشکل جمع آوری پایگاه دانش را که به صورت دستی زمان زیادی نیاز دارد برطرف نموده است. کارایی سیستم ارائه شده بر روی مجموعه داده Movielens در حوزه فیلم ارزیابی شده و نتایج نشان می دهد که روش ارائه شده کارایی بهتری نسبت به روش پالایش گروهی دارد.
کلید واژگان: سیستم توصیه گر, پالایش گروهی, محدودیت, پایگاه دانش}The rapid growth of e-commerce has led to introducing various products from companies which are active in this area. As a result, choosing an appropriate product has become difficult for a customer. Recommender systems aimed at offering the best and most appropriate items to users based on their interests and their previous activities. This paper propose a hybrid recommender system which combines two approaches: collaborative filtering and constraint satisfaction. The proposed system, on the one hand, solves the cold start problem of the collaborative filtering technique because of using constraints. On the other hand, it solves the problem of constructing the knowledge base, which is needed for constraint-based methods. Instead of constructing the knowledge base manually, which is time consuming, the knowledge base of the constraint-based approach is extracted from interactions among the target user’s neighbors. Using the "Movielens" dataset for evaluation, the experimental results show that the performance of the proposed approach is better than the collaborative filtering method.Keywords: Recommender system, collaborative filtering, constraint, knowledge base}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.