سیستم توصیه گر مقالات علمی مبتنی بر اطلاعاتزمینه ای با استفاده از پلت فرم هدوپ

سیستم های توصیه گر برای مقالات علمی به طور فزآینده ای محبوب شده اند، به طوری که در 14 سال گذشته بیش از 170 مقالات علمی، اختراع ثبت شده، صفحات وب و سایر موارد در این زمینه منتشر شده اند. سیستم های توصیه گر مقالات با استفاده از اطلاعات زمینه ای سعی دارند بر اساس عملکرد، سلیقههای شخصی، رفتارهای کاربر و بسته به2 زمینهای که در آن مورد استفاده قرار گرفتهاند، به هر کاربر پیشنهادهایی را ارائه دهند که با تمایلات شخصی کاربر تطابق داشته باشند. از آنجایی که حجم مقالات روز به روز در حال افزایش است و سیستم های توصیه گر توانایی پوشش این حجم عظیم را برای پردازش مقالات با توجه به سلایق کاربر را ندارند، به همین دلیل برای پوشش و پردازش سریع این حجم از مقالات نیاز به استفاده از پردازش موازی(برنامه نویسی نگاشت – کاهش) است. سیستم پیشنهادی این پژوهش ابتدا برای هر مقاله پروفایلی را تشکیل می دهد که حاوی اطلاعات زمینه و دامنه ی مقاله می باشد سپس با توجه به دامنه کاری کاربر و دامنه مقالات، سیستم به کاربر مقالاتی را توصیه خواهد کرد. از آنجایی که حجم داده های مورد استفاده جزء داده بزرگ می باشد و زمان نیز یک فاکتور مهم در این پژوهش است به همین علت از بستر هدوپ و برنامه نویسی موازی برای پیاده سازی سیستم استفاده شده است. عملکرد سیستم پیشنهادی با معیارهایی همچون رضایت کاربر و دقت سنجیده شد که نتایج رضایت بخش را به همراه داشته است

کلیدواژه ها:

سیستم های توصیه گر ، داده بزرگ ، هدوپ ، اطلاعاتزمینه ای