شخصی سازی سیستم های توصیه گر بر اساس تکنیک های قوانین انجمنی و الگوریتم های تکاملی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,201

فایل این مقاله در 6 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:

ICIKT07_069

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

امروزه به دلیل گستردگی رقابت در دنیای تجارت الکترونیک، یافتن روشهای مؤثر در جذب مشتریان و کاربران از اهمیت ویژه ای برخوردار است. یکی از این روش ها استفاده از الگوریتم های مربوط به سیستم های توصیه گر در وبگاه های تجاری است و بدین ترتیب امکان استخراج علایق مشتریان و پیشنهاد مناسبترین محصولات به آنان با به کارگیری شیوه های داده کاوی میسر می گردد. با توجه به مطالعات فراوانی که بر روی این نوع الگوریتم ها انجام شده اند، مسئله پیش بینی امتیازات و حل مشکلات این الگوریتم ها که به دلیل کمبود اطلاعات اولیه ورودی توسط مشتریان به مشکل شروع سرد معروف هستند، یکی از عمده ترین چالش های موجود در الگوریتم های پالایش مشارکتی می باشند. سیستم پیشنهادی از تکنیک استخراج قوانین انجمنی و فیلترینگ مشارکتی برای پیشنهادهای شخصی سازی شده به منظور به حداقل رساندن مشکلات شروع سرد و پراکندگی داده ای که درروش فیلترینگ مشارکتی وجود دارند، استفاده می نماید. استخراج قوانین انجمنی در این روش، بر اساس الگوریتم اپریوری و خوشه بندی غنی شده با الگوریتم های تکاملی است، استفاده می شود.در این روش با توجه به اینکه قوانین انجمنی فقط روی اعضای یک خوشه که توسط الگوریتم ترکیبی ازدحام ذرات و ژنتیک بهبود یافته انجام می شود، پیدا کردن قوانین انجمنی نسبت به روش های دیگر سریع تر و قوانین کاراتر استخراج می شوند. در سیستم پیشنهادی از مدل سازی کاربر، مدل فیلترینگ مشارکتی و قوانین انجمنی استفاده می شود و کارایی روش توصیه شده با روش های سنتی مقایسه می شود و نشان داده می شود که این سیستم می تواند به کارایی بهتری دست یابد.

نویسندگان

سمانه نعمت نیا

کارشناس ارشد نرم افزار، دانشگاه آزاد مشهد

حسن احمدی ترشیزی

استادیار،دانشگاه آزاد مشهد

قمرناز تدین تبریزی

استادیار،دانشگاه آزاد مشهد

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 :
  • Ling, Y., Guo, D., Cai, F., Chen, H., "User-based Clustering ...
  • Lika, Blerina, Kostas Kolomvatsos, and Stathes Hadj iefthymiades. "Facing the ...
  • Gao, Fengrong, et al. "Personalized service system based on hybrid ...
  • Nguyen, Hai Thanh, Jeremie Mary, and Philippe Preux. "Cold- start ...
  • . D. Steinley and M.J.Brusco, "Initializing K-means Clustering: A Critical ...
  • Ahmadi, Abbas, Fakhri Karray, and Mohamed S. Kamel. "Flocking based ...
  • Cui, Xiaohui, Thomas E. Potok, and Paul Palathingal. "Document clustering ...
  • Zalik, K.R., "An Efficient K-Means Clustering Algorithm", Patter Recognition Letters, ...
  • Xiao, J., Yan, Y., Zhang, J., Tang, Y., "A Quantuminsp ...
  • Maulik, Ujjwal, and Sanghamitra B andyopadhyay. "Genetic algorithm- based clustering ...
  • Huo, Tieqiao, Juxi Zhang, and Xiaojun Wu. "Cluster Analysis Based ...
  • Herlocker, Jonathan L.. et al. "Evaluating collaborative filtering recommender systems." ...
  • Ha, Inay, Kyeong-Jin Oh, and Geun-Sik Jo. "Personalized advertisement system ...
  • Kennedy, James. "Particle Swarm optimization." Encyclopedia of Machine Learming. Springer ...
  • نمایش کامل مراجع