سیستم های توصیه گر و چالش شروع سرد : بررسی راه کارها

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,642

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:

NCRC01_041

تاریخ نمایه سازی: 25 آذر 1395

چکیده مقاله:

در دنیای امروز خرید از طریق اینترنت در حال تبدیل شدن به یکی از امور روزمره ی مردم می باشد. از طرفی حجم فزآینده ی اطلاعات در مورد اقلام و خدمات در فضای مجازی باعث سردرگمی روزافزون خریداران اینترنتی خواهد شد. هر فرد براساس ویژگی های فردی، اجتماعی، محیطی و ... دارای یک سری نیازهای مختص به خود می باشد که با شناختن این ویژگی ها می توان پیشنهادهای شخصی شده ی مناسبی را به وی ارائه نمود. برای تحقق این امر از سیستم های توصیه گر استفاده می شود. در این سیستم های یکی از مشکلات اساسی شروع سرد می باشد. این مشکل زمانی رخ می دهد که یک کاربر جدید وارد سیستم می شود و چون اطلاعات کافی از این کاربر در سیستم موجود نمی باشد، سیستم قادر به ارائه ی پیشنهادات مناسب نخواهد بود. در این مقاله قصد داریم جدیدترین راه کارهای ارائه شده برای حل مشکل شروع سرد توسط محققان را بررسی نماییم. پیشنهاد ما برای حل مشکل شروع سرد استفاده از اطلاعات اضافی در شبکه های اجتماعی می باشد. عضو بودن بسیاری از افراد در شبکه های اجتماعی فرصت شاخت بیشتر کاربران را فراهم می کند که این امر در ارائه ی پیشنهادات مناسب می تواند بسیار مفید باشد.

کلیدواژه ها:

شروع سرد ، سیستم های توصیه گر ، شبکه اجتماعی ، تصفیه ی گروهی

نویسندگان

سید علی محمدی

دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات تجارت الکترونیک، موسسه ی غیرانتفاعی مهرآستان

اعظم عندلیب

عضو هیأت علمی دانشگاه آزاد اسلامی واحد رشت، گروه مهندسی کامپیوتر، رشت، گیلان، ایران

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 :
  • بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش گروهی با استفاده از شبکه های اجتماعی [مقاله کنفرانسی]
  • Nagarnaik, P. and A. Thomas. Survey on re commendation system ...
  • Felfernig, A., G. Friedrich, and L. Schmidt- Thieme, Guest Editors' ...
  • Cornelis, C., et al., One-and-only item recommenda tion with fuzzy ...
  • Melville, P. and V. Sindhwani, Recommender systems, in Encyclopedia of ...
  • Adomavicius, G. and A. Tuzhilin, Toward the next generation of ...
  • Nadi, S., M.H. Saraee, and A. Bagheri, A hybrid recommender ...
  • Awerbuch, B., et al. Collaboratiow of untrusting peers with changing ...
  • Claypool, M., et al. Combining content-based and collaborative filters in ...
  • Sarwar, B., et al. Analysis of recommenda tion algorithms for ...
  • Kula, M., Metadata Embeddings for User and Item Cold-start Re ...
  • Abdollahi, B. and O. Nasraoui. A cross-modal warm-up solution for ...
  • Rong, Y., X. Wen, and H. Cheng. A Monte Carlo ...
  • Ji, K. and H. Shen, Addressing cold-start: scalable recommenda tion ...
  • Sahebi, S. and W.W. Cohen. Commun ity-based re commenda tions: ...
  • Mirbakhsh, N. and C.X. Ling, Improving Top-N Recommenda tion for ...
  • Wang, J. A Collaborative Filtering Systems based on Personality Information. ...
  • Zou, H., et al., TrustRank: a Cold-Start tolerant recommender system. ...
  • Son, L., Dealing with the new user cold-start problem in ...
  • Liu, H., et al, A new user similarity model to ...
  • Li, F. and T.C. Du, Who is talking? An ontology-based ...
  • نمایش کامل مراجع