CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

سیستم های توصیه گر مبتنی بر پالایش مشارکتی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۴۲۳ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: BPJ02_017
زبان مقاله: فارسی
حجم فایل: ۶۲۹.۴۷ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله سیستم های توصیه گر مبتنی بر پالایش مشارکتی

  زلیخا گل نتاج - دانشجوی کارشناسی ارشد رشته هوش مصنوعی، دانشگاه آزاد اسلامی واحد صفادشت،
  مریم عادل خواه - عضو هیات علمی دانشگاه خوارزمی

چکیده مقاله:

سیستم های توصیه گر امروزه به طور وسیعی در کمک رساندن به کاربران جهت یافتن نیازمندی های خود از میان حجم بسیار عظیم اطلاعات که به طور مکرر قابل دسترس اند، مورد استفاده قرار می گیرند. باتوجه به تعریف مختصری از انواع پالایش از نوع پالایش محتوایی، آماری، مشارکتی، و ترکیبی که مورد بررسی قرار دادیم در الگوریتم بررسی شده در این مقاله تمرکز کارروی سیستم های پیشنهاد دهنده مبتنی بر پالایش مشارکتی می باشد. در قسمتی از این مقاله مروری بر مفاهیم پایه و پیشینه پالایش مشارکتی در سیستم های توصیه گر نموده و چالش های موجود و فعالیت های مرتبط را مورد بررسی قرار خواهیم داد. یعنی کاربرانی را که هم عقیده با کاربر فعال هستند، را می یابد و سپس اقلام مورد علاقه آنها را به وی توصیه می کند. همچنین این مقاله روش های اقلام محور در پالایش مشارکتی را به دلیل رفع محدودیت های مقیاس پذیری و تهاجم مالی و نیز بهبود نتایج نسبت به روش های کاربر محور، پیشنهاد می نماید. نتایج این تحقیق بهبود قابل توجهی را در کیفیت پیش گویی ها و افزایش سطح پوشش نشان می دهند. در نهایت ما با توجه به حجم بسیار بالای دادگان و وجود اطلاعات نادرست در سیستم، تصمیم به استفاده از روش پالایش مشارکتی و بهبود نتایج خطا را در رویکردهای مبتنی بر کاربر و رویکردهای مبتنی بر قلم، پوشش داده ایم.

کلیدواژه‌ها:

سیستم های توصیه گر، پالایش محتوایی، پالایش مشارکتی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-BPJ02-BPJ02_017.html
کد COI مقاله: BPJ02_017

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
گل نتاج, زلیخا و مریم عادل خواه، ۱۳۹۵، سیستم های توصیه گر مبتنی بر پالایش مشارکتی، دومین کنفرانس ملی رویکردهای نوین در مهندسی کامپیوتر و برق، رودسر، باشگاه پژوهشگران جوان و نخبگان، https://www.civilica.com/Paper-BPJ02-BPJ02_017.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (گل نتاج, زلیخا و مریم عادل خواه، ۱۳۹۵)
برای بار دوم به بعد: (گل نتاج و عادل خواه، ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • J. Bobadilla, F. Ortega, A. Hernando, A. Gutierrez, ، Reco ...
  • Xiaoyuan Su and Taghi M. Kho shgoftar, "A Survey _ ...
  • Artificial Intelligence Volume 2009, Article ID 421425, 19 pages ...
  • P.Resnick, H.R. Varian, _ mmender systems" C ommunications of ACM, ...
  • کاربرد سیستمهای پیشنهاد دهنده در تجارت الکترونیک [مقاله کنفرانسی]
  • M. Balabanovic, Y. Shoham, _ ontent-based, ...
  • M. Pazzani, _ framework for collaborative, content-based, and demographic filtering", ...
  • J.B. Schafer, D. Frankowski, J. Herlocker, S. Sen, «Collabo rative ...
  • G. Adomavicius, A. Tuzhilin, "Toward the next generation of recommender ...
  • Transactions on Knowledge and Data Engineering 17 (6) 734- 749. ...
  • ] J. Bobadilla, F. Ortega, A. Hernando, J. Alcala, Improving ...
  • Resnick, N .lacovou, M. Suchak, P , Bergstorm, J. Riedl, ...
  • Billsus, D., Pazzani. M.J." Learning Collaborative Information Filters?. In Proceedings ...
  • URI HANANI , BRACHA SHAPIRA and PERET SHOVAL "Information filtering: ...
  • L. Candillier, F. Meyer, M. Boulle, "Comparing state-o f-the-art co ...
  • F. Kong, X. Sun, S. Ye, _ comparison of several ...
  • P. Symeonidis, A. Nanopoulus, Y. Manolopoulus, system with ...
  • explanations", in: Proceedings of the 200 ACM Conference _ Recommender ...
  • B. M. Sarwar, G. Karypis, J. A. Konstan, and J. ...
  • commerce, " in Proceedings of the ACM E-Commerce, pp. 158-167, ...
  • G. Salton andM.McGill, «Introduction to Modern Information Retrieval", McGraw-Hill, New ...
  • J. Breese, D. Heckerman, and C. Kadie, "Empirical analysis of ...
  • Intelligence (UAI '98), 1998. ...
  • X. Su, T. M. Khoshgoftaar, and R. Greiner, :"A mixture ...
  • X. Su, T. M. Khoshgoftaar, X. Zhu, and R. Greiner, ...
  • Symposium on Applied Computing (SAC 08), pp. 949- 950, Cear ...
  • R. J. A. Little, "Missing-data adjustments in large su rveys, ...
  • D. B. Rubin, "Multiple Imputation for Nonresponse in Surveys", JohnWiley ...
  • S. A. Goldman and M. K. Warmuth, "Learning binary relations ...
  • A. Nakamura and N. Abe, _ Collaborative filtering using weighted ...
  • J. Pearl, ،Probabilistic Reasoning in Intelligent Systems": Networks of Plausible ...
  • Transactions on Knowledge and Data Engineering, vol. 16, no.1, pp. ...
  • S. Deerwester, S. T. Dumais, G. W. Furnas, T. K. ...
  • , no. 6, pp. 391-407, 1990. ...
  • H. Noh, M. Kwak, and I. Han, "improving the prediction ...
  • M. Claypool, A. Gokhale, T. Miranda, et al., "Combining content-based ...
  • Workshop _ Recommender Systems: Algorithms and Evaluation, Berkeley, Calif, USA, ...
  • J. McCrae, A. Piatek, and A. Langley, «C ollaborative Filtering, ...
  • .http ://www. imperialviolet .org/ Riedl, "Analysis of reco mmendation algorithms ...
  • S. K. Lam and J. Riedl, "Shilling recommender systems for ...
  • M. OMahony, N. Hurley, N. Kushmerick, and G. Silvestre, ...
  • robustness analysis, " ACM Transactions on Internet Technology, vol. 4, ...
  • R. Belll and Y Koren, "Improved neighborhood- based collaborative filtering, ...
  • B. N. Miller, J. A. Konstan, and J. Riedl, ، ...
  • J. Canny, ،Collabo rative filtering with privacy via factor analysis, ...
  • D. DeCoste, _ ollaborative prediction using matrix ...
  • (ICML 06), pp. 249-256, Pittsburgh, Pa, USA, June 2006. ...
  • K. Yu, X. Xu, J. Tao, M. Ester, and H.-P. ...
  • G. Shafer, _ Mathematica Theory of Evidence", Princeton University Press, ...
  • D. Cai, M. F. McTear, and S. I. McClean, "Knowledge ...
  • T. M. Khoshgoftar and J. V. Hulse, "Multiple imputation of ...
  • International Conference on Software Engineering and Knowledge Engineering (SEKE '06), ...
  • Y. Koren, _ Factorizatio meets the neighborhood : a multifaceted ...
  • Discovery and Data Mining (KDD T08), pp. 426-434, Las Vegas, ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۳۴۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.