سیستمهای توصیهگر با تحلیل و بررسی دادههای متعلق به کاربران، یک سری آیتمهای خاص را برمبنای علایق به کاربران پیشنهاد میکنند. هدف از آنالیز دادههای مربوط به کاربران، استخراج الگوهای هر کاربر به منظور پیشبینی آیتمها میباشد. یکی از مهمترین روشها در سیستمهای توصیه أکثر
سیستمهای توصیهگر با تحلیل و بررسی دادههای متعلق به کاربران، یک سری آیتمهای خاص را برمبنای علایق به کاربران پیشنهاد میکنند. هدف از آنالیز دادههای مربوط به کاربران، استخراج الگوهای هر کاربر به منظور پیشبینی آیتمها میباشد. یکی از مهمترین روشها در سیستمهای توصیهگر، روش فیلترینگ مشارکتی است. در سیستمهای توصیهگر مبتنی بر فیلترینگ مشارکتی از معیارهای شباهت جهت کشف کردن کاربران مشابه با کاربر جدید برای ارائه پیشنهاد استفاده میشود. از چالشهای سیستمهای توصیهگر مبتنی بر فیلترینگ مشارکتی میتوان به فاکتورهای شباهت و تشخیص همسایگی اشاره کرد. در این مقاله از روش نزدیکترین همسایه به منظور تشخیص همسایگان مشابه به کاربر جدید برمبنای فاصله استفاده میکنیم. مدل پیشنهادی که برگرفته از روش کاربر-آیتم است، امتیاز اقلام برمبنای فاصله محاسبه میشود و نزدیکترین فاصله به منظور تشابه انتخاب میشود. در مدل پیشنهادی، تشخیص کاربران مشابه براساس ماتریس کاربر-آیتم توسط فاصله اقلیدسی انجام میشود. آزمایشات مدل پیشنهادی برروی مجموعه داده Movielens که شامل ۱۶۸۲ 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 میباشد. در نتیجه دقت مدل پیشنهادی در تشخیص تشابه و پیشبینی بیشتر است.
تفاصيل المقالة
سیستمهای توصیهگر ابزارهای هوشمندی هستند که به کاربران کمک¬میکنند اطلاعات مورد نیاز خود را بر اساس علایق قبلی خود با صرف زمان کمتری نسبت به موتورهای جستجو پیداکنند. یکی از چالشهای اصلی سیستمهای توصیهگر تنکی ماتریس رتبههای کاربر-قلم میباشد. این چالش به این دلیل ات أکثر
سیستمهای توصیهگر ابزارهای هوشمندی هستند که به کاربران کمک¬میکنند اطلاعات مورد نیاز خود را بر اساس علایق قبلی خود با صرف زمان کمتری نسبت به موتورهای جستجو پیداکنند. یکی از چالشهای اصلی سیستمهای توصیهگر تنکی ماتریس رتبههای کاربر-قلم میباشد. این چالش به این دلیل اتفاق¬میافتد که کاربران عمدتاً به تعداد کمی از اقلام موجود رتبه میدهند. سیستمهای توصیهگر مبتنی بر اعتماد از روابط اعتماد بین کاربران به¬منظور کاهش مشکل تنکی ماتریس رتبههای کاربر-قلم استفاده¬میکنند. ایده اصلی این سیستمها این است که وجود رابطه اعتماد بین دو کاربر نشاندهنده علایق مشابه آن دو کاربر میباشد. کارایی این سیستمها به انتخاب درست کاربران همسایه برای کاربر هدف بر اساس میزان شباهت بین آن¬ها بستگی دارد. در این مقاله، یک سیستم توصیهگر مبتنی بر اعتماد جدید با استفاده از الگوریتم بهبودیافته بهینهسازی ازدحام ذرات ارائه¬شده¬است. در این روش، ابتدا میزان شباهت بین کاربران بر اساس ماتریس رتبههای کاربر-قلم و روابط اعتماد محاسبه¬میگردد. سپس، از الگوریتم بهبودیافته بهینهسازی ازدحام ذرات برای وزندهی بهینه کاربران همسایه کاربر هدف استفاده¬میشود. به¬منظور بهبود الگوریتم بهینهسازی ازدحام ذرات از عملگرهای الگوریتم ژنتیک و الگوریتم بهینهسازی تولیدمثل تک¬جنسیتی مبتنی بر آشوب استفاده¬شده¬است. پس از وزندهی بهینه کاربران همسایه، رتبههای نامشخص برای کاربر هدف پیشبینی¬میگردد. نتایج آزمایش¬ها بر روی یک مجموعه داده استاندارد کارایی بالای روش پیشنهادی را نسبت به سایر روشهای مقایسه¬شده، نشان¬میدهد.
تفاصيل المقالة
با توسعه سریع فناوری اطلاعات، حجم دادهها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت میشود. برای رفع این مشکل، انواع سیستمهای توصیهگر برای تحلیل دادههای سابقه رفتاری کاربران و ارائه خدمات شخصی ب أکثر
با توسعه سریع فناوری اطلاعات، حجم دادهها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت میشود. برای رفع این مشکل، انواع سیستمهای توصیهگر برای تحلیل دادههای سابقه رفتاری کاربران و ارائه خدمات شخصی برای بهبود تجربهها و بررسی نظرهای مشتریان در بسیاری از زمینهها ایجاد شدهاند. با توجه به اهمیت و کاربردهای گسترده توصیه POI، این موضوع هم در تحقیقات آکادمیک و هم در صنعت در کانون توجه قرار گرفته است. با این حال، فناوریهای سنتی مانند فیلترینگ مشارکتی با چالش کمبود داده ها محدود شده اند و همچنین بسیاری از روشهای قدیمیتر برای استخراج و توصیه POI طراحی نشده اند، بنابراین نمیتوانند خصوصیات منحصر به فردی را که تأثیرات زیادی بر روابط توصیه POI دارد، استخراج کنند. در سالهای اخیر الگوریتم‎های مختلفی از حوزه یادگیری عمیق برای توصیههای POI مورد توجه محققین بوده است. در این تحقیق، کارهای تحقیقاتی و مدل های ارائه شده در زمینه توصیه POI به کمک یادگیری عمیق مورد مطالعه قرار گرفته و همچنین نتایج به دست آمده از نظر الگوریتمهای یادگیری عمیق استفاده شده، مجموعه دادههای مورد استفاده، معیارهای ارزیابی و ابزارهای پیاده سازی مورد بررسی و تحلیل قرار گرفتهاند.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications