گونه شناسی شخصی سازی در سیستم های توصیه کننده

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 94

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IMOS-3-1_002

تاریخ نمایه سازی: 7 تیر 1401

چکیده مقاله:

هدف: توسعه و پیشرفت علم و فن آوری، روزانه موجب ایجاد حجم زیادی از داده­های ساخت یافته، نیمه ساختاریافته و بدون ساختار با سرعتی بسیار سریع از منابع مختلف گردیده که منجر به اشتراک گذاشتن الگوهای مشترک بسیاری شده به نحوی که می­توان با استفاده از سیستم های توصیه کننده که بر اساس نیازهای کاربران طراحی شده با فیلتر و تجزیه وتحلیل این داده­هایشان، توصیه­هایی مربوط به محصول، کالا یا خدمات مورد علاقه آن ها ارائه داد. یکی از مسائل مهم در سیستم های توصیه کننده ارائه توصیه های شخصی سازی شده متناسب با روحیات کاربران است.روش شناسی پژوهش: در این پژوهش با رویکرد نگاشت دانش با استفاده از کتابخانه bibliometrix در نرم افزار R به مرور کلیه پژوهش های انجام شده در خصوص کاربرد سیستم­های توصیه کننده در شخصی­سازی پرداخته می­شود.یافته ها: در این پژوهش با استفاده از روش نگاشت دانش ضمن تعریف سیستم­های توصیه کننده و انواع آن، به معرفی نمای کلی از حیطه شخصی­سازی پرداخته و انواع مختلف شخصی­سازی ارائه می­شود. همچنین در مورد روند شخصی­سازی بحث نموده و در خصوص سیستم­های توصیه کننده به عنوان بخش جدایی ناپذیر از این فرایند نیز توضیحاتی مطرح شده است. در ادامه چالش­هایی که برای پیاده­سازی سیستم­های توصیه کننده وجود دارد ارائه شده است و نهایتا حوزه­هایی که بحث شخصی­سازی سیستم­های توصیه کننده می­تواند در آن مطرح شود، ارائه می­شود.اصالت/ارزش افزوده علمی: نتایج این پژوهش با مروری جامع بر کلیه پژوهش های این حوزه می تواند به عنوان جعبه ابزاری در جهت کاربرد سیستم­های توصیه کننده در شخصی­سازی محققان را در ایده پردازی و انتخاب روش مناسب در طبقه بندی و تحلیل داده ها یاری دهد.

کلیدواژه ها:

شخصی سازی ، سیستم های توصیه کننده ، شخصیت کاربر ، نگاشت دانش

نویسندگان

مرضیه نوراحمدی

گروه مهندسی مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران.

حجت الله صادقی

گروه مالی و حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه یزد، یزد، ایران.

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 :
  • Adomavicius, G., & Tuzhilin, A. (۲۰۰۱). Using data mining methods ...
  • Antoniou, G., & Van Harmelen, F. (۲۰۰۴). Web ontology language: ...
  • Börner, K., Chen, C., & Boyack, K. W. (۲۰۰۳). Visualizing ...
  • Broadus, R. N. (۱۹۸۷). Toward a definition of “bibliometrics”. Scientometrics, ۱۲(۵-۶), ۳۷۳-۳۷۹. ...
  • Cantador, I., Fernández-Tobías, I., & Bellogín, A. (۲۰۱۳). Relating personality ...
  • De Campos, L. M., Fernández-Luna, J. M., Huete, J. F., ...
  • Herlocker, J. L., Konstan, J. A., Terveen, L. G., & ...
  • Karimi, M., Jannach, D., & Jugovac, M. (۲۰۱۸). News recommender ...
  • Lampropoulos, A. S., & Tsihrintzis, G. A. (۲۰۱۵). Machine learning ...
  • Lika, B., Kolomvatsos, K., & Hadjiefthymiades, S. (۲۰۱۴). Facing the ...
  • Pereira, N., & Varma, S. L. (۲۰۱۹). Financial planning recommendation ...
  • Qiu, F., & Cho, J. (۲۰۰۶, May). Automatic identification of ...
  • Sarwar, B. M. (۲۰۰۱). Sparsity, scalability, and distribution in recommender systems. ...
  • Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (۲۰۰۰). Application ...
  • Surprenant, C. F., & Solomon, M. R. (۱۹۸۷). Predictability and ...
  • Vesanen, J., & Raulas, M. (۲۰۰۶). Building bridges for personalization: ...
  • Zupic, I., & Čater, T. (۲۰۱۵). Bibliometric methods in management ...
  • نمایش کامل مراجع