فیلترینگ مشارکتی متداول ترین ‎رویکرد برای شناسایی اقلام مورد علاقه کاربر در سیستم های پیشنهاددهنده است. با وجود این، کارآمدی فیلترینگ مشارکتی در شرایط خلوتی داده ها و شروع سرد پایین می آید. راه حل های مختلفی برای مقابله با این مشکلات ارائه شده است. یکی از این راهکارها بهبود رویکرد فیلترینگ مشارکتی با اعمال پارامتر اعتماد است که منجر به افزایش دقت پیشنهادهای سیستم می شود. از آنجا که مقدار اعتماد مستقیم به یک کاربر همواره در دسترس نیست، انتشار اعتماد یعنی تخمین اعتماد غیرمستقیم می تواند سودمند باشد. از طرف دیگر در صورتی که پارامترهای مختلف در انتشار اعتماد در نظر گرفته شود، کارایی و کارآمدی سیستم های پیشنهاددهنده مبتنی بر اعتماد بهبود می یابد. در این مقاله، یک مدل انتشار اعتماد چهاربعدی برای استفاده در سیستم های پیشنهاددهنده ارائه می کنیم. در این مدل، تأثیر چهار پارامتر فاصله اجتماعی، موقعیت مکانی، زمان و زمینه در انتشار اعتماد اعمال می شود. همچنین یک معیار شباهت زمینه ای جدید مبتنی بر درخت، پیشنهاد می کنیم که براساس وزن دهی به یال ها در درخت زمینه عمل می کند. نتایج آزمایش های انجام شده بر روی چند مجموعه داده معروف نشان می دهد که مدل پیشنهادی کارآمدی و صحت بالاتری نسبت به روش های موجود ارائه می کند. پرونده مقاله

Recently by developing the technology, the number of network-based servicesis increasing, and sensitive information of users is shared through the Internet.Accordingly, large-scale malicious attacks on computer networks could causesevere disruption to network services so cybersecurity turns to a major concern fornetworks. An intrusion detection system (IDS) could be considered as anappropriate solution to address the cybersecurity. Despite the applying differentmachine learning methods by researchers, low accuracy and high False AlarmRate are still critical issues for IDS. In this paper, we propose a new approach forimproving the accuracy and performance of intrusion detection. The proposedapproach utilizes a clustering-based method for sampling the records, as well asan ensembling strategy for final decision on the class of each sample. For reducingthe process time, K-means clustering is done on the samples and a fraction of eachcluster is chosen. On the other hand, incorporating three classifiers includingDecision Tree (DT), K-Nearest-Neighbor (KNN) and Deep Learning in theensembling process results to an improved level of precision and confidence. Themodel is tested by different kinds of feature selection methods. The introducedframework was evaluated on NSL-KDD dataset. The experimental results yieldedan improvement in accuracy in comparison with other models پرونده مقاله