بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش گروهی با استفاده از شبکه های اجتماعی
محل انتشار: هفتمین کنفرانس بین المللی فناوری اطلاعات و دانش
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,165
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICIKT07_199
تاریخ نمایه سازی: 22 مهر 1394
چکیده مقاله:
سیستم های توصیه گر به طور وسیعی در سایت های تجارت الکترونیک مورد استفاده قرار می گیرند. هدف از این سیستم ها، کمک به کاربران در یافتن اقلام مورد نظرشان می باشد. یکی از موفق ترین الگوریتم های ایجاد پیشنهاد، روش پالایش گروهی است. پالایش گروهی به منظور پیشنهاد یک کالا به کاربر هدف، از سوابق امتیازدهی کاربران مشابه روی ان کالا استفاده می نماید. پالایش گروهی با همه کارایی ای که دارد از چند مشکل رنج می برد. از جمله محدودیت های پالایش گروهی می توان به مشکل شروع سرد، تنک بودن ماتریس رتبه دهی اشاره نمود. شروع سرد یعنی این که محصول جدیدی وارد سیستم شده و هنوز هیچ رتبه ای به این محصول داده نشده است. خلوت بودن یعنی این که در ماتریس قلم-کاربر تعداد رتبه هایی که وجود دارد نسبت به کل رتبه هایی که می تواند وجود داشته باشد بسیار کم است. در این مقاله، به منظور بهبود سیستم های توصیه گر در شرایطی که دارای مشکلات ذکر شده هستند، از داده های موجود در شبکه های اجتماعی استفاده شده است. اطلاعات موجود در شبکه های اجتماعی، شامل پروفایل و روابط بین کاربران می باشد. ابتدا کاربران بر اساس ماتریس رتبه دهی، خوشه بندی می شوند. سپس به منظور یافتن نزدیک ترین همسایه ها، اطلاعات مربوط به محتوای اقلام و ماتریس جدید ترکیب خواهد شد. برای ارزیابی مدل پیشنهادی از مجموعه داده ی 100 هزارتایی مووی لنز استفاده شده است. نتایج نشان می دهد که مدل ارائه شده در هنگام مواجهه با مشکل شروع سرد و خلوت بودن ماتریس از دقت بالایی برخوردار است.
کلیدواژه ها:
نویسندگان
میثم جلالی
کارشناسی ارشد دانشگاه صنعتی امیرکبیر
حجت قلی زاده
دکتری دانشگاه صنعتی امیرکبیر
تهمینه مبادی فر
کارشناسی ارشد مهندسی فناوری اطلاعات دانشکده مهندسی کامپیوتر، دانشگاه 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 :