روش های محاسبه شباهت بین کاربران در سیستم های پیشنهاددهنده

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 904

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CCITC01_043

تاریخ نمایه سازی: 27 آبان 1393

چکیده مقاله:

با گسترش اینترنت، اگرچه دسترسی به اطلاعات آسان تر شده است، لیکن با توجه به حجم زیاد اطلاعات، نیازمند ا ستفاده از تکنیک های جدید مدیریت دانش هستیم تا بتوانیم اطلاعات مطلوب را در سریع ترین زمان و با بیشترین دقت ممکن بیابیم. از این رو سیستم های توصیه کننده برای حل این مشکل پیشنهاد گردیده اند. اگرچه روش های مختلفی برای این منظور ارائه گردیده اند لیکن موفق ترین روش توصیه گر، مربوط به تکنیک های فیلترسازی همکاری می باشد. در این تکنیک، از سابقه عملکرد پیشین کاربران به منظور پیشنهاد دهی استفاده می شود. برای این منظور شبیه ترین افراد به کاربر موردنظر، بر اساس عملکرد مشترک آنها در گ ذشته، شناسایی شده و از نظرات آنها برای تخمین علاقه کارر مورد نظر به آیتم های جدید استفاده می شود. یکی از مهمترین بخش ها در این تکنیک، محاسبه شباهت کاربران با آیتم ها با هم می باشد. نتیجه شباهت محاسبه شده، تأثیر مستقیم بر روی دقت توصیه های تولید شده توسط سیستم دارد. از این رو تاکنون مدل های متعدید برای محاسبه شباهت معرفی شده اند که هر یک دارای نقاط ضعف و قدرت هستند. در این مقاله سعی می کنیم ضمن بررسی تقسیم بندی این مدلها، عامل مؤثر در کارایی هر یک را شناسایی نماییم. نتایج این تحقیق می تواند به منظور پیشنهاد مدل های کارآمدتر مورد استفاده قرار گیرد.

کلیدواژه ها:

مدل های محاسبه شباهت ، فیلترسازی همکاری ، سیستم های پیشنهاد دهنده

نویسندگان

مرتضی قربانی مقدم

دانشجوی دکتری علوم کامپیوتر دانشگاه پوترامالزی، کوالالامپور

انوشه الهیان

کارشناس ارشد تجارت الکترونیک، دانشکده آموزش های الکترونیک دانشگاه شیراز، شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • دانشگاه آزاد اسلامی واحد مرودشت- مهر ماه 1393 ...
  • ollaborativeع _ _ Liang, H., Xu, Y., Li, Y., Nayak, ...
  • algorithms for automating word of mouth, " in SIGCHI Conference ...
  • Improve Diversity and Novelty Based on User Behaviour, " Int. ...
  • experiments, " User Model. User-adapt. Interact., vol. 12, no. 14, ...
  • Knowledge-B ased Syst., Dec. 2013. [5] ...
  • recommender system using social tagging network, " in Proceedings of ...
  • Mohd Sharef, N., 4 Temp oral-Focused Trustworthines to Enhance Trust-based ...
  • p erformance.pdf, _ Int. J. Expert Syst. with Appl., vol. ...
  • Chen, Z., scalable Collaborative Filtering Using Cluster-based Smoothing, " in ...
  • user similarity model to improve the accuracy of collabora tive ...
  • recommender system, " ACM Trans. Web, vol. 5, no. 1, ...
  • Sp earman)Evalua ting collaborative filtering recommender systems, " ACM Trans. ...
  • نمایش کامل مراجع