خوشه بندی به وسیله ماشین یادگیری افراطی در فرآیند سیستم های توصیه گر
- سال انتشار: 1398
- محل انتشار: سومین کنفرانس ملی مهندسی برق و کامپیوتر
- کد COI اختصاصی: ISCELEC03_054
- زبان مقاله: فارسی
- تعداد مشاهده: 685
نویسندگان
دانشجوی کارشناسی ارشد هوش مصنوعی دانشکده فنی و مهندسی دانشگاه شمال آمل
عضو هیئت علمی گروه مهندسی کامپیوتر دانشکده فنی و مهندسی دانشگاه شمال امل
چکیده
با افزایش استفاده از تجارت الکترونیک، استفاده از سیستم های توصیه گر نیاز اساسی وب سایت های ارائه دهنده خدمات به مردم می باشند. یکی از مهم ترین بخش های هر وب سایت ارائه محصولی به یک مشتری است. که دو مزیت دارد، در درجه اول می تواند مسیر رسیدن یک مشتری به محصول موردنظر را تسریع ببخشد و در درجه دوم می تواند محصولی را به کاربر پیشنهاد کند که شاید موردنیاز کاربر بوده باشد اما کاربر به آن فکر نکرده باشد. در نتیجه می توان از سیستم های توصیه گر به عنوان سیستمی جهت بازاریابی و سوددهی نیز نگاه کرد یکی از جدیدترین روش های خوشه بندی که در مباحث یادگیری ماشین و داده کاوی مورد بررسی قرار می گیرد، الگوریتم ماشین یادگیری افراطی است. در این مقاله تلاش شده است برای اولین بار در سیستم فیلتر همکارانه در سیستم های توصیه گر با استفاده از الگوریتم خوشه بندی ماشین یادگیری افراطی،به عنوان یکی از مهم ترین روش های حل مشکل خلوت بودن داده ها، بر روی سیستم های توصیه گر صورت پذیرد تا به میزان صحت و دقت دقیق تری نسبت به الگوریتم های که از پیش تر در زمینه سیستم های توصیه گر کار شده است برسیم. یافته های این مقاله حاکی از ان می باشد که الگوریتم پیشنهادی دارای صحت دقت و بازخوانی بالاتری نسبت به الگوریتم های پیشین بوده و این مقاله توانسته است تا چالش پیشنهاد صحیح به کاربر را تا حد زیادی بهبود ببخشد.کلیدواژه ها
سیستم های توصیه گر، ماشین یادگیری افراطی، ضریب همکارانه پیرسون، خوشه بندی، فیلترینگ همکارانهمقالات مرتبط جدید
- ارزیابی اقتصادی و زیست محیطی سناریوهای ترکیب انرژی تجدیدپذیر در برنامه ریزی تولید برق ایران تا افق ۱۴۱۰
- بررسی فناوریها و استراتژیها برای بهینه سازی مصرف انرژی و افزایش کارایی در شبکه های توزیع
- فناوری اطلاعات و ارتباطات سبز
- Hoo Controller Design for a Quadruple-Tank Multivariable System: Robust Performance via Weighted Sensitivity Shaping
- تاثیر حیاتی همبستگیهای آماری ضعیف بادبار بر قابلیت اطمینان سیستمهای قدرت: دیدگاهی فراتر از مدلهای سنتی
اطلاعات بیشتر در مورد 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.