ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه بندی فازی

سال انتشار: 1400
کد COI مقاله: JR_JEIT-15-3_003
زبان مقاله: فارسیمشاهده این مقاله: 82
فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 26 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه بندی فازی

رضوان محمدرضایی - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
رضا روانمهر - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

چکیده مقاله:

پیشینه و اهداف: بسیاری از سیستم­های یادگیری مرسوم  مبتنی بر داده های ایستا هستند و همه دانش آموزان را یکسان و مشابه در نظر می گیرند. بنابراین نمی توانند پاسخگوی نیازها و سلایق متنوع آن­ها باشند. مشکل اصلی آن­ها، درنظر نگرفتن علاقه مندی ها و تعاملات پیشین کاربران است. سیستم­های پیشنهاد دهنده یادگیری الکترونیکی با هدف غلبه بر این مشکلات و پیشنهاد مناسب ترین دوره های آموزشی شخصی سازی شده به هر کاربر مطرح شده اند. هدف این مقاله،ارائه یک سیستم پیشنهاد دهنده یادگیری الکترونیکی مبتنی بر اعتماد با استفاده از خوشه بندی فازی با در نظر گرفتن تعاملات پیشین کاربران و تمایلات آن ها است. بدین منظور از کاوش قوانین انجمنی وزن­دار و پیش­بینی رتبه برای تولید لیست کاندید دوره­های آموزشی و رتبه­بندی مجدد لیست کاندید برای تولید لیست نهایی استفاده شده است. روش ها : در این مقاله یک روش جدید مبتنی بر ترکیب روابط اعتماد بین کاربران و شباهت علایق آن­ها برای محاسبه میزان تشابه کاربران در یک سیستم پیشنهاددهنده یادگیری الکترونیکی با هدف پیشنهاد دوره­های آموزشی به کاربران ارائه شده است که از روش خوشه بندی فازی و قوانین انجمنی وزن­دار استفاده می کند. در روش پیشنهادی بعد از بررسی شباهت میان کاربران و ساخت ماتریس اعتماد، ادامه مراحل به دو فاز کلی تقسیم می­شود: فاز خوشه­بندی کاربران و فاز تولید پیشنهاد دوره های آموزشی مناسب برای کاربر. فاز خوشه بندی شامل دو مرحله است که در مرحله اول با استفاده از الگوریتم X-Means، تعداد بهینه خوشه­ها به دست می آید و در مرحله دوم بر اساس تعداد خوشه­های به دست آمده، خوشه بندی C-Means فازی انجام می شود. در فاز ایجاد پیشنهاد برای کاربر، با استفاده از قوانین انجمنی وزن­دار و بر اساس خوشه های نهایی که برای کاربران حاصل شده اند، رتبه موردنظر کاربر هدف، برای هر آیتم آموزشی با توجه به همسایه­های خوشه­های کاربر پیش بینی می شود. در نهایت بر اساس رتبه های پیش بینی شده، N آیتم آموزشی با رتبه بالاتر به عنوان آیتم های مورد علاقه کاربر هدف به وی پیشنهاد می شوند. یافته ها: پیاده سازی و ارزیابی روش پیشنهادی بر روی مجموعه داده Moodle نشان می دهد که با کاهش دو معیار میانگین خطای مطلق و خطای جذر میانگین مربعات، دقت پیشنهاد های ارائه شده با استفاده از روابط اعتماد افزایش یافته و نرخ پوشش کاربران و رتبه­ها نیز با استفاده از خوشه بندی فازی و قوانین انجمنی وزن­دار نسبت به روش­های موجود بهبود یافته است. این نتایج حاصل استفاده از خوشه­بندی فازی کاربران بر اساس علاقه­مندی­های و روابط اعتماد میان آن­ها است که امکان عضویت هر کاربر را در چند خوشه با درجات عضویت مختلف، قرار می­دهد. علاوه بر این، در استفاده از قوانین انجمنی وزن دار، قوانین انجمنی که بیشترین مطابقت را با دوره های گذرانده شده توسط کاربر موردنظر دارند انتخاب می­شوند. امتیازگذاری انتخاب قوانین، نه تنها بر اساس ضریب اطمینان، بلکه بر اساس ترکیبی از ضریب اطمینان و علاقه مندی­های کاربر به دوره­های آموزشی، محاسبه شود. نتیجه گیری:  بکارگیری معیار اعتماد میان کاربران باعث افزایش دقت در انتخاب همسایه ها و محدود کردن اثرات مخرب کاربران و نظرات بی اعتبار می­شود که منجر به ارائه پیشنهادهای دقیق تری خواهد شد. همچنین با توجه به خوشه بندی فازی کاربران، پیش بینی رتبه دوره های آموزشی مختلف فقط بر اساس همسایه های موجود در خوشه­های کاربر هدف، انجام می شود و در نتیجه برای حجم انبوه اطلاعات موجود در یک سیستم یادگیری الکترونیکی، عملکرد کارآتری خواهد داشت و مشکل خلوت بودن داده­ها را کاهش می­دهد.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JEIT-15-3_003 میباشد و 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://civilica.com/doc/1241138/

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:
محمدرضایی، رضوان و روانمهر، رضا،1400،سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه بندی فازی،https://civilica.com/doc/1241138

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: (1400، محمدرضایی، رضوان؛ رضا روانمهر)
برای بار دوم به بعد: (1400، محمدرضایی؛ روانمهر)
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 :

  • Bobadilla J, Ortega F, Hernando A, Gutiérrez A. Recommender systems ...
  • Kunaver M, Požrl T. Diversity in recommender systems–A survey. Knowledge-Based Systems. ...
  • Yang X, Guo Y, Liu Y, Steck H. A survey ...
  • Bhaskaran S, Santhi B. An efficient personalized trust- based hybrid ...
  • Nafea SM, Siewe F, He Y. A novel algorithm for ...
  • Chen S, Xu Z, Tang Y. A hybrid clustering algorithm ...
  • Hassan T. Trust and trustworthiness in social recommender systems. In ...
  • Klašnja-Milićević A, Vesin B, Ivanović M, Budimac Z. E-Learning personalization ...
  • Masud M. Collaborative e-learning systems using semantic data interoperability. Computers in ...
  • Tarus JK, Niu Z, Kalui D. A hybrid recommender system ...
  • Dahdouh K, Dakkak A, Oughdir L, Ibriz A. Large-scale e-learning ...
  • Klašnja-Milićević A, Ivanović M, Vesin B, Budimac Z. Enhancing e-learning ...
  • Wan S, Niu Z. An e-learning recommendation approach based on ...
  • Albatayneh NA, Ghauth KI, Chua FF. Utilizing learners’ negative ratings ...
  • Khanal SS, Prasad PW, Alsadoon A, Maag A. A systematic ...
  • Karga S, Satratzemi M. A hybrid recommender system integrated into ...
  • Aeiad E, Meziane F. An adaptable and personalised e-learning system ...
  • De Medio C, Limongelli C, Sciarrone F, Temperini M. MoodleREC: ...
  • Benhamdi S, Babouri A, Chiky R. Personalized recommender system for ...
  • Parvin H, Moradi P, Esmaeili S. TCFACO: Trust-aware collaborative filtering ...
  • Yadav S, Kumar V, Sinha S, Nagpal S. Trust aware ...
  • Xu K, Zhang W, Yan Z. A privacy-preserving mobile application ...
  • Nobahari V, Jalali M, Mahdavi SJ. ISoTrustSeq: a social recommender ...
  • Jiang L, Cheng Y, Yang L, Li J, Yan H, ...
  • Pan Y, He F, Yu H, Li H. Learning adaptive ...
  • Dwivedi P, Bharadwaj KK. Effective trust-aware e-learning recommender system based ...
  • Deng X, Li H, Huangfu F. A trust-aware neural collaborative ...
  • Wan S, Niu Z. A hybrid e-learning recommendation approach based ...
  • Liu X. A collaborative filtering recommendation algorithm based on the ...
  • Hinz VT, Pimenta MS. Integrating Reputation to Recommendation Techniques in ...
  • Hasan M, Roy F. An item–item collaborative filtering recommender system ...
  • Jiang L, Cheng Y, Yang L, Li J, Yan H, ...
  • Si M, Li Q. Shilling attacks against collaborative recommender systems: ...
  • Alonso S, Bobadilla J, Ortega F, Moya R. Robust model-based ...
  • Aggarwal CC. Attack-resistant recommender systems. In Recommender Systems ۲۰۱۶; ۳۸۵-۴۱۰. ...
  • Massa P, Avesani P. Trust metrics in recommender systems. In Computing ...
  • Victor P, Cornelis C, De Cock M, Teredesai A. Trust-and ...
  • Zuo X, Wei X, Yang B. Trust-distrust aware recommendation by ...
  • Oh HK, Kim JW, Kim SW, Lee K. A unified ...
  • Xu K. (۲۰۱۳) Clustering. In: Dubitzky W., Wolkenhauer O., Cho ...
  • Soman KP, Diwakar S, Ajay V. Data mining: Theory and ...
  • Nayak J, Naik B, Behera HS. Fuzzy C-means (FCM) clustering ...
  • Stetco A, Zeng XJ, Keane J. Fuzzy C-means++: Fuzzy C-means ...
  • Pelleg D, Moore AW. X-means: Extending k-means with efficient estimation ...
  • Saleem F, Iltaf N, Afzal H, Shahzad M. Using trust ...
  • Moradi P, Ahmadian S. A reliability-based recommendation method to improve ...
  • Ardissono L, Mauro N. A compositional model of multi-faceted trust ...
  • Shchetinin EY. On improving the reliability of recommender systems with ...
  • Yuan W, Guan D, Lee YK, Lee S. The small-world ...
  • Agrawal R, Srikant R. Fast algorithms for mining association rules. ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

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

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: 14,800
    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.

    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.

    پشتیبانی