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

ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی

سال انتشار: 1400
کد COI مقاله: JR_IMPCS-2-1_003
زبان مقاله: فارسیمشاهده این مقاله: 30
فایل این مقاله در 11 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 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی

احسان اله کوزه گر - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی شرق گیلان، دانشگاه گیلان، گیلان، ایران.
هادی یارمحمدی - دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، سمنان، ایران

چکیده مقاله:

سیستم های توصیه گر با تحلیل و بررسی داده های متعلق به کاربران، یک سری آیتم های خاص را برمبنای علایق به کاربران پیشنهاد می کنند. هدف از آنالیز داده های مربوط به کاربران، استخراج الگوهای هر کاربر به منظور پیش بینی آیتم ها می باشد. یکی از مهمترین روش ها در سیستم های توصیه گر، روش فیلترینگ مشارکتی است. در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی از معیارهای شباهت جهت کشف کردن کاربران مشابه با کاربر جدید برای ارائه پیشنهاد استفاده می شود. از چالش های سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی می توان به فاکتورهای شباهت و تشخیص همسایگی اشاره کرد. در این مقاله از روش نزدیک ترین همسایه به منظور تشخیص همسایگان مشابه به کاربر جدید برمبنای فاصله استفاده می کنیم. مدل پیشنهادی که برگرفته از روش کاربر-آیتم است، امتیاز اقلام برمبنای فاصله محاسبه می شود و نزدیکترین فاصله به منظور تشابه انتخاب می شود. در مدل پیشنهادی، تشخیص کاربران مشابه براساس ماتریس کاربر-آیتم توسط فاصله اقلیدسی انجام می شود. آزمایشات مدل پیشنهادی برروی مجموعه داده Movielens که شامل ۱۶۸۲ آیتم است انجام شده است. برای ارزیابی از معیارهای دقت، فراخوانی، F۱، میانگین خطای مطلق و میانگین خطای مربعات ریشه استفاده شده است. میانگین خطای مطلق در مدل پیشنهادی در مقایسه با شباهت پیرسون و کسینوسی کمتر است و مقدار آن برابر با ۰.۷۳۱۵ می باشد. در نتیجه دقت مدل پیشنهادی در تشخیص تشابه و پیش بینی بیشتر است.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_IMPCS-2-1_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/1281677/

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:
کوزه گر، احسان اله و یارمحمدی، هادی،1400،ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی،https://civilica.com/doc/1281677

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، کوزه گر، احسان اله؛ هادی یارمحمدی)
برای بار دوم به بعد: (1400، کوزه گر؛ یارمحمدی)
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 :

  • Duma, B. Twala, Optimising latent features using artificial immune system ...
  • Jiang, S.C. Fang, Q. An, J.E. Lavery, A sub-one quasi-norm-based ...
  • Valcarce, A. Landin, J. Parapar, A. Barreiro, Collaborative filtering embeddings ...
  • Zhang, T. Gong, V.E. Lee, G. Zhao, Guangzhi Qu, Fast ...
  • Mohammadpour, A.M. Bidgoli, R. Enayatifar, H.H.S. Javadi, Efficient clustering in ...
  • Kant, T. Mahara, V.K. Jain, D.K. Jain, A.K. Sangaiah, LeaderRank ...
  • Wasid, V. Kant, A Particle Swarm Approach to Collaborative Filtering ...
  • 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 دولتی
    تعداد مقالات: 14,032
    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