ارائه ی یک مدل ترکیبی برای سیستم توصیه گر با استفاده از تکنیک خوشه بندی شبکه های خودسازمان دهنده (SOM)

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 835

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC02_228

تاریخ نمایه سازی: 21 شهریور 1395

چکیده مقاله:

حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیم گیری و انتخاب اطلاعات، داده و یا کالاهای موردنیاز را، برای بسیاری از کاربران وب دشوار کردهاست . برای حل این مشکل از سیستم های توصیه گر استفاده شده است.سیستم توصیه گر با دادن پیشنهاد مناسب با علایق کاربر، وی را از صرف وقت در مرور تمام آیتم ها باز می دارد و در واقعآیتم هایی که کمتر مورد علاقه کاربر بوده را فیلتر می کنند. یکسری سایت های گردشگری وجود دارد که از سیستم توصیهگر برای کمک به گردشگران و افزایش رضایتمندی آنها استفاده می کنند. در پیشنهاد سرویس برای سیستم های گردشگریدر واقع مشکل اینجاست که کاربران آیتم هایی را می خواهند که سیستم پیش بینی می کند، پس باید این سیستم ها دقتخوبی داشته باشند. بنابراین هدف مقاله با روش پیشنهادی این است که با حل مشکلات روش مشارکتی و روش مبتنی برمحتوا، دقت این سیستمهای پیشنهاد گر در حد امکان افزایش یابد. از اینرو برای حل مشکلات اساسی سیستم های پیشنهاددهنده، در این مقاله مدل ترکیبی از سیستم های پیشنهاد دهنده را با استفاده از تکنیک خوشه بندی بر پایه شبکه هایخودسازمان دهنده (SOM) پیشنهاد می کنیم.

کلیدواژه ها:

سیستم توصیه گر ، خوشه بندی نقشه خودسازمان دهنده ، فیلترینگ مشارکتی ، فیلترینگ مبتنی بر محتوا ، صنعت گردشگری

نویسندگان

زهرا روحی زاده سالستانی

گروه مهندسی کامپیوتر،دانشگاه آزاد اسلامی واحد بویین زهرا

محمود دی پیر

استادیار، دانشکده رایانه و فناوری اطلاعات، دانشگاه هوایی شهید ستاری

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 :
  • Adomavicius G, Tuzhilin A. 2005. Toward the Next Generation of ...
  • Adomavicius G, YoungOk K. 2007. New Re commendation Techniques for ...
  • Adomavicius G, Manouselis N, and Kwon Y. 2011. Multi-criteria recommender ...
  • Damianos G, Charalampos K, Konstantinos M, Grammati P. 2014. Mobile ...
  • Ganu G, Kakodkar Y, Marian A. 2013. Improving the quality ...
  • Hariri N, Mobasher B, Burke R, Zheng Y. 2011. Context-aware ...
  • " Internationl Confercnce & 3« National Confercnce on New Technologies ...
  • Jannach D, Zanker M , Fuchs M. 2014 _ Leveraging ...
  • Jannach D, Zanker M, Jessenitschnig M, and Seidler O. 2007. ...
  • Kumar A, Geetika N, S. P. 2012. Content Based Re ...
  • Levi A , Mokryn O, Diot C, Taft N. 2012 ...
  • Magnini B, Strapparava C. 2001. Improving User Modelling with Content-based ...
  • Techniques. In: Proceedings of the 8th International Conference of User ...
  • Musat C.C _ Liang Y, Faltings B. 2013. Re commendation ...
  • Nilashi M , Othman bin I, Norafida I. 2014. Multi-criteria ...
  • Nilashi M, Othman bin I, Norafida I. 2014. Hybrid rec ...
  • Pazzani M. 1999. A framework for collaborative, content-based and demographic ...
  • Pazzani MJ. Billsus D. 2007. Content-based rec ommendation system. In: ...
  • Qing Li, Byeong Man Kim. 2003. Clustering Approach for Hybrid ...
  • Tasia ch f , Hungb ch . 2012. Cluster ensembles ...
  • Zeng C, Xing C X , Zhou L. Z , ...
  • " Internationl Confercnce & 3« National Confercnce on New Tcchologies ...
  • " Internationl Confercnce & 3« National Confercncc on New Tcchologies ...
  • نمایش کامل مراجع