Warning: Declaration of tie_mega_menu_walker::start_el(&$output, $item, $depth, $args, $id = 0) should be compatible with Walker_Nav_Menu::start_el(&$output, $data_object, $depth = 0, $args = NULL, $current_object_id = 0) in /home/tnt3ir/domains/tnt3.ir/public_html/wp-content/themes/sahifa-wpcity/functions/theme-functions.php on line 1962
دوستان عزیز برای پیدا کردن سریع مطالب مورد نظر خود، می توانید از قسمت جستجوی سریع در سایت، یک یا چند کلمه کلیدی مورد نظر خود را جستجو نمایید.
یا اینکه بر روی دو آیکون سبز رنگ "طبقه بندی موضوعات" یا "جستجوی کلمات کلیدی" در سمت راست و چپ موجود در بالای سایت کلیک نمایید...
در صورت بروز مشکل در پرداخت الکترونیکی؛ میتونید ایمیلی ، پیامکی، تلفنی یا تلگرامی بگید تا فایلتون براتون ارسال بشه.
مقاله و ترجمه: بهبود نتايج و عملکرد سيستم توصيه گر پالايش مشارکتي با استفاده از الگوريتم ژنتيک | تعاونی نیرومندسازی تحقیقات
طبقه بندی موضوعات
جستجوی کلمات کلیدی
سه‌شنبه , 19 مارس 2024
آخرین مطالب
خانه -> وب معنایی -> سیستم توصیه گر -> مقاله و ترجمه: بهبود نتايج و عملکرد سيستم توصيه گر پالايش مشارکتي با استفاده از الگوريتم ژنتيک

مقاله و ترجمه: بهبود نتايج و عملکرد سيستم توصيه گر پالايش مشارکتي با استفاده از الگوريتم ژنتيک

بهبود نتايج و عملکرد سيستم توصيه­ گر پالايش مشارکتي با استفاده از الگوريتم ژنتيک

چكيده

اين مقاله يک متريک براي اندازه گيري شباهت بين کاربران ارائه مي­کند که قابل استفاده در فرآيندهاي پالايش مشارکتي انجام شده در سيستم­هاي توصيه­گراست. متريک پيشنهادي از طريق يک ترکيب خطي ساده از مقادير و وزن­ها فرموله شده است. مقادير براي هر جفت از کاربران که بين آن­ها شباهت به دست آمده، محاسبه شده است در حالي که وزن­ها فقط يک بار محاسبه مي شوند، با استفاده از يک مرحله مقدمه که در آن يک الگوريتم ژنتيک وزن­ها را از سيستم توصيه­گر استخراج مي­کند و به طبيعت خاص داده در هر سيستم توصيه­گربستگي دارد. نتايج به دست آمده بهبود قابل توجهي در کيفيت پيش بيني، کيفيت پيشنهاد و عملکرد نشان مي­دهد.

كلمات كليدي

پالايش مشارکتي، سيستم­هاي توصيه­گر، مقياس­هاي شباهت، متريک­ها، الگوريتم­هاي ژنتيک، عملکرد.

1- مقدمه

اصل اساسي سيستم­هاي توصيه­گر(RS)  اين است که گروهي از کاربران مشابه به يک کاربر داده شده، (يعني کساني که تعداد زيادي از عناصر را در يک روش مشابه امتياز داده­اند) بتوانند براي پيش­بيني رتبه هاي فردي روي محصولاتي که اين کاربر دانشي از آنها ندارد مورد استفاده قرار گيرند. به اين ترتيب، سفر به سنگال مي تواند به فردي که  مقصد­هاي مختلف در کارائيب را بسيار بالا رتبه داده است، بر اساس رأي مثبت در مورد مقصد تعطيلات ” سنگال” تعداد زيادي از افراد که آنها نيز رتبه مقصد در کارائيب را بسيار بالا داده اند، پيشنهاد شود. اين پيشنهاد (توصيه) اغلب خدماتي با اطلاعات الهام بخش از دانش جمعي تمام کاربران ديگر از خدمات فراهم مي کند.

در سال هاي اخير، RS  نقش مهمي در کاهش تاثير منفي سربار اطلاعات در آن دسته از وب سايت­ها که در آن کاربران امکان راي دادن براي اولويت­هاي خود به يک سري از مقالات يا خدمات را دارند، ايفا کرده است. وب سايت­هاي پيشنهاد فيلم احتمالا شناخته شده ترين موارد براي کاربران هستند و بدون شک اغلب به خوبي توسط محققان مورد مطالعه بوده اند   [4,19,2]23]هر چند، بسياري از زمينه هاي ديگر وجود دارد که در آن RS  اهميت دارد، مانند تجارت الکترونيکي[15]  آموزش الکترونيکي [5,9] و کتابخانه هاي ديجيتال [26,27].

در حال حاضر، افزايش سريع وب 2.0 [18,23]  منجر به گسترش وب سايت­هاي مشترک شده است که در آن تعدادي از عناصر مي­توانند توصيه شوند (به عنوان مثال وبلاگ ها) و مي­تواند به طور قابل توجهي افزايش يابد هنگامي که توسط کاربران (و نه تنها راي دادن) معرفي شده است، که چالش هاي جديدي را براي محققان در زمينه RS، در همان زمان به عنوان افزايش احتمالات و اهميت تکنيک هاي بازيابي اطلاعات  ايجاد کرده است.

هسته يک RS  الگوريتم هاي فيلترينگ (پالايش) آن است:  فيلترينگ جمعيت شناختي [20]  و فيلترينگ مبتني بر محتوا[21]  اساسي ترين تکنيک­ها هستند؛ اولي بر اساس اين فرضيه که افراد با برخي از ويژگي هاي شخصي مشترک (جنس، سن، کشور، و غيره) همچنين ترجيحات مشترک خواهند داشت، برقرار شده است، در حالي که فيلترينگ مبتني بر محتوا آيتم­هاي مشابه به آنهايي که کاربر در گذشته ترجيح داده است را پيشنهاد مي­کند. در حال حاضر، پالايش مشارکتي (CF) شايع ترين تکنيک استفاده شده و مورد مطالعه بوده است [12,24]​​، اين تکنيک در اصل بر اساس مجموعه اي از اصول در پاراگراف اول اين بخش است، که در آن به منظور ساخت يک توصيه به کاربر داده شده، ابتدا کاربراني از سيستم را که در روشي مشابه به اين کاربر راي داده اند جستجو مي­کند، بعد توصيه­ ها با در نظر گرفتن آيتم­هاي ( مقصد تعطيلات در مثال ما ) بسيار ارزشمندتر توسط اکثرکاربران مشابه آنها ساخته مي­شود.

بخش قابل توجهي از الگوريتم هاي CF  اشاره به گروه معيارهاي مورد استفاده براي تعيين شباهت بين هر جفت از کاربران دارند [14,1,7]، که در ميان آن متريک همبستگي پيرسون به عنوان يک مرجع است.

الگوريتم هاي ژنتيک (GA)  عمدتا در دو جنبه در RS مورد استفاده قرار گرفته است:  خوشه بندي [16,17,28] و مدل­هاي هيبريدي کاربر [2,13,10]. يک تکنيک معمول براي بهبود ويژگي­هاي RS  شامل ابتدا انجام يک خوشه بندي بر روي همه کاربران است، در چنين روشي که يک گروه از کلاس ها از کاربران مشابه به دست آمده است، بعد از اين، تکنيک هاي CF  مورد نظر را مي توان به هر يک از خوشه ها اعمال کرد، به دست آوردن نتايج مشابه اما در زمان محاسبه بسيار کوتاه تر؛ اين موارد از الگوريتم هاي خوشه بندي ژنتيکي معمول مانند GA  مبتني بر K-means  استفاده مي­کنند[17].

مدل­هاي کاربر هيبريديRS  معمولا از يک ترکيب از CF با فيلترينگ جمعيت شناختي و ياCF  با فيلترينگ مبتني بر محتوا براي بهره برداري از محاسن هر يک از اين تکنيک­ها، استفاده مي­کند. در اين موارد، ساختار کروموزوم به راحتي مي­تواند شامل مشخصات جمعيتي و/ يا مربوط به فيلترينگ مبتني برمحتوا باشد.

روش ارائه شده در اين مقاله از GA استفاده مي­کند، اما با اين مزيت که به اطلاعات اضافي ارائه شده توسط مدل هيبريدي کاربر نياز ندارد، و به همين دليل، آن را مي توان در همه­يRS  هاي فعلي به سادگي بر روي تکنيک­هايCF  مورد استفاده قرار داد. اين به علت اين واقعيت است که روش ما تنها از امتيازدهي کاربران استفاده مي­کند (که حداقل اطلاعات ممکن در هر RS است).

بخش زير روش پيشنهادي (روشGA-) و پردازش مقدماتي مورد نياز با استفاده ازGA  را تعريف مي­کند،  پس از اين، بخش هايي را ارائه مي­کنيم که طراحي آزمايش انجام شده و نتايج به دست آمده را مشخص مي­کنند، در نهايت نتايج مربوطه از اين مطالعه را ليست مي­کنيم.

فایل ترجمه مقاله Improving collaborative filtering recommender system results and performance using genetic algorithms

بهبود نتايج و عملکرد سيستم توصيه­ گر پالايش مشارکتي با استفاده از الگوريتم ژنتيک

فایل ترجمه – Wordدر قالب مقاله دو ستونه  – 8 صفحه

 

 

 

اصل مقاله انگلیسی

abstract
This paper presents a metric to measure similarity between users, which is applicable in collaborative filtering processes carried out in recommender systems. The proposed metric is formulated via a simple linear combination of values and weights. Values are calculated for each pair of users between which the similarity is obtained, whilst weights are only calculated once, making use of a prior stage in which a genetic algorithm extracts weightings from the recommender system which depend on the specific nature of the data from each recommender system. The results obtained present significant improvements in
prediction quality, recommendation quality and performance.

دریافت فایل اصل مقاله – فایل PDF شامل 7 صفحه 

1. Improving collaborative filtering recommender system results and performance using genetic algorithms

کاربر گرامی

برای دانلود فایل های مورد نظرتان بایستی بر روی دکمه "افزودن به سبد خرید" کلیک نمایید .

پس از چند ثانیه ، فایل مورد نظر شما به سبد خریدتان اضافه گردیده و این دکمه تبدیل به دکمه "پرداخت" خواهد شد.

با کلیلک بر روی دکمه "پرداخت" ، وارد صفحه پرداخت خواهید شد .

با وارد کردن اطلاعات و ایمیل خود ، فایل مورد نظر به ایمیل شما ارسال گردیده و همچنین لینک دانلود فایل بلافاصله برایتان به نمایش درخواهد آمد.

– قابل پرداخت با تمام کارتهای بانکی + رمز دوم

– پشتیبانی سایت ۰۹۳۵۹۵۲۹۰۵۸ – Info@tnt3.ir – universitydatainfo@yahoo.com




سفارش ترجمه متون عمومی و تخصصیفروشگاه اینترنتی کتاب - خرید آنلاین کتاب - دانلود کتاب الکترونیکی
لیست محصولات مورخ 1399/09/27