سیستم پیشنهاد دهنده مبتنی بر آنتولوژی و زمان
محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسی
سعید صنوبری
1
(دانشگاه آزاد اسلامی، واحد مشهد، گروه کامپیوتر، مشهد، ایران)
نگین میثاقیان
2
(دانشگاه آزاد اسلامی، واحد مشهد، باشگاه پژوهشگران جوان و نخبگان، مشهد، ایران)
مهرداد جلالی
3
(دانشگاه آزاد اسلامی، واحد مشهد، گروه کامپیوتر، مشهد، ایران)
کلید واژه: Ontology, تابع فراموشی, آنتولوژی, Recommendation system, wu& palmer سیستم پیشنهاد دهنده, رابطۀ, Forgetting Function, Wu & Palmer similarity,
چکیده مقاله :
افزایش حجم اطلاعات در وب، انگیزة اصلی ایجاد سیستمهای پیشنهاددهنده است. چنین سیستمهایی کاربران را درحالی که بافضای اطلاعاتی بزرگی در ارتباط هستند پشتیبانی کرده و آنها را به سمت اطلاعات مورد نیازشان هدایت می کند . سیستم هایپیشنهاد دهنده با مشکلاتی از قبیل کاربر جدید و پراکندگی دادهها مواجه هستند . همچنین این سیستم ها کمتر به دانش حوز ةمعرفی میشود که علاوه بر در OntoTimes کاربردی و آنتولوژی سایت توجه میکنند. در این مقاله سیستم پیشنهاد دهندهای به نامنظرگرفتن روابط معنایی برچسبهای منتسب شده توسط کاربران با آنتولوژی سایت، علایق زمانی کاربران را نیز در ارائهبه دلیل توجه به فاکتور OntoTimes پیشنهادات در نظر میگیرد. ارزیابیهای انجام شده نشان میدهد که سیستم پیشنهاد دهندهزمان، نسبت به سیستمی که فقط مبتنی بر آنتولوژی است به دقت بهتری، به مقدار 47 % در مقابل 37 % رسیده است.
Increasing amount of information on the web has motivated the creation of the recommendationsystems. These systems support users that are associated with large information spaces and lead themto the information they exactly need.Recommendation systems are still limited by several problems, such as sparsity, or the new userproblem. They also fail to make full usage and harness the power of domain knowledge and semanticweb ontologies. In this paper a recommendation system, called OntoTimes, is proposed that comprisessemantic relation of users associated tags with site’s ontology, further, it involves users time interestsin recommendations. Evaluations demonstrate that OntoTimes recommendation system, since userstime interests are involved, achieves better accuracy (47%) against the recommendation system thatare only based on ontology (37%).
_||_