collaborative filtering

حرية الوصول المقاله

1 - بررسی امکان سوگیری الگوریتم های توصیه ناشی از رفتار رتبه بندی کاربران در شبکه های اجتماعی آنلاین
مهدی صفرپور سید هادی یعقوبیان کرم الله باقری فرد راضیه ملک حسینی صمد نجاتیان

با افزایش ضریب نفوذ شبکه های اجتماعی آنلاین، نقش الگوریتم های توصیه کننده در این پلت فرم ها بیشتر مورد توجه قرار می گیرد و بررسی صحت کارکرد این الگوریتم ها در ارائه توصیه های مناسب حائز اهمیت می باشد. تحقیقات ما نشان می دهد با حضور اطرافیان و آشنایان فرد در شبکه های اج أکثر

با افزایش ضریب نفوذ شبکه های اجتماعی آنلاین، نقش الگوریتم های توصیه کننده در این پلت فرم ها بیشتر مورد توجه قرار می گیرد و بررسی صحت کارکرد این الگوریتم ها در ارائه توصیه های مناسب حائز اهمیت می باشد. تحقیقات ما نشان می دهد با حضور اطرافیان و آشنایان فرد در شبکه های اجتماعی، شاهد رفتارهایی از سوی کاربران در این شبکه ها هستیم که بیشتر جنبه روانشناسی دارد و بسیاری از کنش های کاربران روی یک پست از احترام یا نزدیکی فرد با صاحب پست نشات می گیرد. این مقاله با نشان دادن قابل پیش بینی بودن رفتار کاربران در قبال پست های منتشر شده توسط دوستان و آشنایان، نقش ارتباطات عاطفی نشات گرفته از روابط اجتماعی پایدار را در پذیرش یک پست بررسی می کند و امکان ارائه توصیه های اشتباه در الگوریتم های مبتنی بر فیلترینگ مشترک به دلیل این سوگیری داده ها را نشان می دهد. تفاصيل المقالة

حرية الوصول المقاله

2 - ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی
مهدی بازرگانی زینب همایونپور

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

حرية الوصول المقاله

3 - ارائه یک الگوریتم برای گروه بندی انواع محصولات بیمه و کاربران در سیستم توصیه گر بیمه با خوشه بندی مبتنی بر فیلتر مشارکتی ارزیابی عملکرد آن براساس توصیه بیمه
مرضیه امینی شیرکوهی محمدرضا یمقانی

با پیشرفت‌هایی که در صنعت بیمه صورت گرفته است، افراد زیادی برای دریافت خدمات بیمه‌ای به شرکت‌های دولتی و خصوصی بیمه مراجعه می‌کنند. پیش بینی اینکه مشتریان چه نوع بیمه‌ای مناسب آن ها است و با توجه به شرایط فردی و اجتماعی به خصوص سطح درآمد کدام بیمه را ممکن است انتخاب کنن أکثر

با پیشرفت‌هایی که در صنعت بیمه صورت گرفته است، افراد زیادی برای دریافت خدمات بیمه‌ای به شرکت‌های دولتی و خصوصی بیمه مراجعه می‌کنند. پیش بینی اینکه مشتریان چه نوع بیمه‌ای مناسب آن ها است و با توجه به شرایط فردی و اجتماعی به خصوص سطح درآمد کدام بیمه را ممکن است انتخاب کنند امری حیاتی است. در صنعت بیمه می توان با پیش بینی نوع بیمه ی انتخابی برای هر مشتری کار را برای افرادی که قصد خرید بیمه دارند و همچنین بیمه گزاران تا حد زیادی آسان کرد. خوشه‌بندی مشتریان، تحلیل ویژگی‌های هر خوشه و دریافت اینکه در هر خوشه کدام بیمه‌ها پرطرفدار هستند سپس استفاده از تکنیک فیلترینگ مشارکتی برای ارائه توصیه خرید بیمه به مشتریان، می تواند در روند تصمیم گیری و خرید خدمات بیمه ای موثر باشد. با استفاده از داده های موجود در مورد ویژگی‌های فردی و اجتماعی افراد و نوع بیمه‌هایی که انتخاب می‌کنند به همراه میزان رضایت آن‌ها از خدمات بیمه‌ای در صنعت بیمه می‌توان به پیش بینی رفتار مشتری پرداخت و این امر با استفاده از الگوریتم خوشه بندی k-means و استفاده از تکنیک های سیستم‌های توصیه‌گر مانند فیلترینگ مشارکتی تا حد زیادی میسر می‌شود. تفاصيل المقالة

حرية الوصول المقاله

Recommender systems utilize information retrieval and machine learning techniques for filtering information and can predict whether a user would like an unseen item. User similarity measurement plays an important role in collaborative filtering based recommender systems أکثر

Recommender systems utilize information retrieval and machine learning techniques for filtering information and can predict whether a user would like an unseen item. User similarity measurement plays an important role in collaborative filtering based recommender systems. In order to improve accuracy of traditional user based collaborative filtering techniques under new user cold-start problem and sparse data conditions, this paper makes some contributions. Firstly, we provide an exposition of all-distance sketch (ADS) node labelling which is an efficient algorithm for estimating distance distributions; also we show how the ADS node labels can support the approximation of shortest path (SP) distance. Secondly, we extract items’ features and accordingly we describe an item proximity measurement using ochiai coefficient. Third, we define an estimation of closeness similarity, a natural measure that compares two items based on the similarity of their features and their rating correlations to all other items, then we describe our user similarity model. Finally, we show the effectiveness of collaborative filtering recommendation based on the proposed similarity measure on two datasets of MovieLens and FilmTrust, compared to state-of-the-art methods. تفاصيل المقالة

حرية الوصول المقاله

5 - An Optimal Similarity Measure for Collaborative Filtering Using Firefly Algorithm
Fatemeh Shomalnasab Mehdi Sadeghzadeh Mansour Esmaeilpour

Recommender Systems (RS) provide personalized recommendation according to user need by analyzing behavior of users and gathering their information. One of the algorithms used in recommender systems is user-based Collaborative Filtering (CF) method. The idea is that if u أکثر

Recommender Systems (RS) provide personalized recommendation according to user need by analyzing behavior of users and gathering their information. One of the algorithms used in recommender systems is user-based Collaborative Filtering (CF) method. The idea is that if users have similar preferences in the past, they will probably have similar preferences in the future. The important part of collaborative filtering algorithms is allocated to determine similarity between objects. Similarities between objects are classified to user-based similarity and item-based similarity. The most popular used similarity metrics in recommender systems are Pearson correlation coefficient, Spearman rank correlation, and Cosine similarity measure. Until now, little computation has been made for optimal similarity in collaborative filtering by researchers.For this reason, in thisresearch, weproposean optimal similaritymeasure via a simple linear combination of values and ratio of ratings for user-based collaborative filtering by use ofFireflyalgorithm; and we compare our experimental results with Pearson traditional similarity measure and optimal similarity measure based on genetic algorithm. Experimental results on real datasets show that proposed method not only improves recommendation accuracy significantly but also increases quality of prediction and recommendation performance. تفاصيل المقالة

حرية الوصول المقاله

6 - A Novel Clustering Algorithm Based upon Learning Automata for Collaborative Filtering
Sara Taghipour Javad Akbari Torkestani Sara Nazari

Collaborative Filtering (CF) is one of the principal techniques applied in Recommender Systems, which uses ratings from similar users to predict interest items to a particular user. The scalability issue is a widespread problem of CF. The clustering technique is a succe أکثر

Collaborative Filtering (CF) is one of the principal techniques applied in Recommender Systems, which uses ratings from similar users to predict interest items to a particular user. The scalability issue is a widespread problem of CF. The clustering technique is a successful approach to address the scalability issue in CF. However, some classic clustering methods cannot find appropriate clusters, which leads to low prediction accuracy. This paper suggests a new clustering algorithm based on the Learning Automata (LA) framework to group users for the CF technique. In this algorithm, a learning automaton is assigned to each user to detect the cluster membership of that user. Learning automatons improve their selection based on the reinforcement signal is received from intra-cluster distances and inter-cluster distances in previous iterations.Experimental results on standard and real datasets show that the proposed algorithm outperforms other compared methods in various evaluation metrics. This approach enhances the prediction accuracy and effectively deals with the scalability problem. تفاصيل المقالة

فهرس المقالات collaborative filtering

سند

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية