استفاده از تکنیک های مبتنی بر تیوری گراف برای افزایش عملکرد سیستم های توصیه گر

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 365

فایل این مقاله در 10 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ROBOMECH01_017

تاریخ نمایه سازی: 19 خرداد 1396

چکیده مقاله:

پیشرفت در فناوری اینترنت سبب ایجاد حجم زیادی از اطلاعات برخط شده است. این موضوع که با عنوان سرریز داده ها شناخته می شود، انگیزه ای شد تا محققین را جهت رویارویی با این مشکل اساسی عصر جدید، وادار به پیداکردن راه حلی مناسب کند. حجم زیاد اطلاعات آنلاین منجر به این شده تا کاربران انرژی و زمان زیادی را صرف پیدا کردن محصولات مورد علاقه خود کنند. با این حال، آنها در اکثر موارد قادر به دریافت نتایج رضایت بخشی نیستند. به همین منظور، سیستم های توصیه گر در میان حجم عظیمی از انتخاب های ممکن برای رسیدن به گزینه های مفید و مورد علاقه کاربران، به عنوان سیستم های تاثیرگذار به منظور راهنمایی و هدایت افراد به کار گرفته شدند. در واقع هدف اصلی این سیستم ها، شناسایی علایق کاربران و فیلترکردن داده های مورد علاقه کاربران از میان حجم انبوهی از داده ها است.در این مقاله یک روش جدید به منظور بهبود کارایی سیستم های توصیه گر مبتنی بر اعتماد معرفی شده است. در واقع با استفاده از اطلاعات اجتماعی، علاوه بر رفع ضعف های مربوط به سیستم های پالایش گروهی، میزان دقت و پوشش بهبود پیدا کرده است.

نویسندگان

الهام نیکبخت ملامحمود

عضو باشگاه پژوهشگران جوان

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 :
  • . B. Sarwar, et al. Item-based collaborative filtering rec ommendation ...
  • . Jinming, H. Application and research of collaborative filtering in ...
  • rd IEEE International Conference. 2010. ...
  • . P. Massa and P. Avesani. Trust-aware recommender systems. in ...
  • . U. Shardanand and P. Maes. Social information filtering: algorithms ...
  • . P. Resnick, et al. GroupLens: an open architecture for ...
  • . G. Linden, B. Smith, and J. York, Amazon. com ...
  • . B. N. Miller, et al. MovieLens unplugged: experiences with ...
  • . P. Massa and B. Bhattcharjee, Using trust in recommender ...
  • . D. Billsus, et al., Adaptive interfaces for ubiquitous web ...
  • . D. Goldberg, et al., Using collaborative filtering to weave ...
  • . J. A. Konstan, et al., GroupLens: applying collaborative filtering ...
  • . A. Shepitsen, et al. Personalized reco mmendation in social ...
  • . C. H aruechaiyasak, et al. A dynamic framework for ...
  • . G. Uchyigit and K. Clark, Hierarchical agglomerative clustering for ...
  • . J. Kelleher and D Bridge. Rectree centroid: An accurate, ...
  • . S. Puntheeranurak and H. Tsuji. A multi-c lustering hybrid ...
  • . J. Lucas, et al., A hybrid rec ommendation approach ...
  • . V. Blondel, et al., Fast unfolding of communities in ...
  • . Bastian, M., et al., , Gephi: an open sourc ...
  • . A.A. Hagberg, D.A. Schult, and P.J. Swart, Exploring network ...
  • . C. Birtolo and D. Ronca, Advances in Clustering Collaborative ...
  • نمایش کامل مراجع