استفاده از الگوریتم ژنتیک موازی برای تجزیه تانسور در سیستم های پیشنهاد دهنده

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,021

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

INCEE02_026

تاریخ نمایه سازی: 19 تیر 1394

چکیده مقاله:

در دنیای امروز که با اطلاعات زیادی سروکار داریم، مردم برای یافتن کالاهایی که به آنها نیازدارند، احتیاج به سیستم هایی دارند که آنها را یاری نمایند. به همین جهت استفاده از سیستم های پیشنهاد دهنده رواج یافته است. این سیستم ها توانایی فراهم کردن پیشنهادهای مفید و شخصی سازی شده را برای کاربران دارا می باشند. یکی از پرطرفدارترین رویکردهای سیستم های پیشنهاد دهنده، روش پالایش مشارکتی است؛ که یکی از موفق ترین مدل های آن که مورد استفاده قرار می گیرد، مدل تجزیه ماتریس و تجزیه تانسور است. استفاده از تانسور به جای ماتریس دارای مزیت است؛ به این دلیل که چون از ابعاد بیشتری استفاده می کنیم، می توانیم اطلاعات بیشتری را در مسئله وارد نماییم و به جواب هایی با دقت بهتر دست یابیم. در این مقاله روشی جدید بر مبنای الگوریتم زنتیک موازی برای تجزیه تانسورها ارائه شده است، که نسبت به روش های قبلی دارای دقت بیشتر و سرعت بهتر است.

کلیدواژه ها:

نویسندگان

زهرا شکیبا

دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه علم و صنعت ایران

مهدی نصیری

دانشجوی دکترای هوش مصنوعی، دانشگاه علم و صنعت ایران

بهروز مینایی

استادیار دانشکده کامپیوتر، دانشگاه علم و صنعت 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 :
  • analysis of predictive algorithms for collaborative filtering", In Proc. of ...
  • Generation.of Recommender Systems: A Survey of the S tate-of-the-At and ...
  • recommender systems using a mu ltidimensionl approach", ACM Trans Inf. ...
  • Evolutionary Algorithms, " IEEE Transactions on Evolutionary Computation, vol. 6, ...
  • using Genetics-Based Machine Learning", Advanced Review, WIREs Data Mining Knowl ...
  • 0. 1 002/widm. 1078. [5] ...
  • P rogres sP rize2 007_KorBell .pdf. [6] ...
  • factor analysis", In Proc. of SIGIR-02, _ SIGIR Conf. on ...
  • Algorithms, " Technical Report IliGAL 97003, University of Ilinois at ...
  • Application of dimensionality reductionin recommender Parallel Genetic Algorithms, " practical ...
  • Algorithms, " Technical report, ECLab, Summer Lecture Series, George Mason ...
  • collaborative filtering", ACM Trans. Inf. Syst., 22(1):89-115, 2004. [12] ...
  • Computing Trends, Applications and Perspectives, " Proceedings of the 18th ...
  • Factorization Techniques For Recommender Systems, " IEEE Computer Society Press, ...
  • Methods for large scale SD with missing values", In Proc. ...
  • singular value decompo sition", SIAM J. Matrix Anal. Appl, 2000, ...
  • Data Mining With Fine-Grained Parallel Evolutionary Algorithms, " Proceeding of ...
  • Information Engineering Systems, Third International Conference, Dec 1999, Adelaide, SA, ...
  • Context to Improve Predictive Modeling of Customers in Personalization Applications", ...
  • S chmidt-Thieme L, Hearning optimal ranking with tensor factorization for ...
  • Riedl. J, srouplens: an open architecture for collaborative filtering of ...
  • factorization", In J. C. Platt, D. Koller, Y. Singerand S. ...
  • Rem-based collaborative filtering _ commendation algorithms", In Proc. of WWW-01, ...
  • Knowledge Discovery and Data Mining, Boston Massachusetts, USA, 2000. [24] ...
  • HERLOCKER J and SEN S, collaborative Filtering Recommender Systems", In ...
  • M aximum- margin matrix factorization", Advances in Neural Information Processing ...
  • D ecompositions and Applications", SIAM Review, 51(3), 455-500 (2009). Yehuda ...
  • نمایش کامل مراجع