حل مسئله خلوتی و بهبود دقت پیشبینی روش فیلترینگ تجمعی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 396

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TEDECE01_587

تاریخ نمایه سازی: 30 آبان 1394

چکیده مقاله:

رشد فزاینده داده ها و اطلاعات در محیط اینترنت، نیاز به سیستمی که بتواند به کاربران در یافتن اطلاعات ارزشمند در میان حجم عظیم ازدادهها کمک کند بسیار قابل توجه و اهمیت است. چندین روش برای نیل به این هدف ارائه شده است که از رایجترین این روشها میتوان به روشهای فیلترینگ تجمعی، فیلترینگ مبتنی بر محتوا و ترکیبی از روشهای مذکور اشاره کرد. در میان روشهای ذکر شده، روش فیلترینگ تجمعی به دلیل سادگی ساختار و پیادهسازی آسانی که دارد از اهمیت بیشتری برخوردار است. روش فیلترینگ تجمعی علیرغم مزایایی که دارد با چالشهایی نیز مواجه است که این چالشها تاثیر زیادی بر روی دقت پیشبینی و توصیه این روش دارند. از مهمترین چالشهای پیش روی این روش میتوان به چالشهای مقیاسپذیری، خلوتی و شروع سرد اشاره کرد. هدف اصلی مقاله این است که با در نظر گرفتن مسئله خلوتی راه حلی برای بهبود دقت پیشبینی روش فیلترینگ تجمعی ارائه کرد. برای حل مساله خلوتی از معیارهای محلی و سراسری به جای معیارهای محلی استفاده میشود. نتایج حاصل از پیاده سازی، بهبود در دقت پیش بینی را با مقدار 9209.0 در معیار RMSE نشان می دهد

کلیدواژه ها:

خلوتی ، دقت پیشبینی ، فیلترینگ تجمعی ، معیار تشابه محلی و سراسری

نویسندگان

مجتبی نظرنژاد

دانشگاه شیخ بهایی اصفهان، دانشکده مهندسی، گروه مهندسی کامپیوتر و فناوری اطلاعات

ناصر قاسم آقایی

دانشگاه شیخ بهایی اصفهان، دانشکده مهندسی، گروه مهندسی کامپیوتر و فناوری اطلاعات

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 :
  • X. Su and T. _ Khoshgoftaar, "A Survey of Collaborative ...
  • Y. Koren, "Factor in the Neighbors: Scalable and Accurate Collaborative ...
  • K. Miyahara and M. J. Pazzani. "Improvement of collaborative Filtering ...
  • S. Vucetic and Z. CObradovic. _ _ llaborative Filtering using ...
  • Informatics, and Mechanics", University of Warsaw, 2011. ...
  • D. M. Pennock and et al. _ _ ollaborative filtering ...
  • unsupervised learning and particle SWarm optimization", Applied Soft Computing, vol. ...
  • Filtering", Microsoft Research, 1998. ...
  • D. Anand and K Bharadwaj _ Utilizing various sparsity measure ...
  • Management Applications, vol. 5, 2013. ...
  • E.G. Talbi, Metaheuristics from Design to Imp lementation, Willey Press, ...
  • M. Connor and J Herlocker. "Clustering items for collaborative filtering". ...
  • I. Altingovde and 6 Subakan and o Ulusoy, "Cluster searching ...
  • collaborative filtering schemes", Applied Soft Computing , pp.2478-2489, 2013. ...
  • filtering", Knowledge -Based Systems, pp.156- 166, 2014. ...
  • M. Nilashi and O. Ibrahim and N. Ithnin, "Multi-criteria collaborative ...
  • A. Acilar and A. Arslan, _ collaborative filtering method based ...
  • G.R. Xue and et al., "Scalable Collaborative Filtering Using Cluster-based ...
  • similarity updating and prediction modulation", Information Sciences, pp.602-612, 2010. ...
  • Knowledge -Based Systems, vol. 24, no. 8, pp. 1310-1316, 2011. ...
  • W. Gong and Z. Cai, Y. Wang, "Repairing the Crossover ...
  • http: /www .moviel cns.unn .edu 07.7.2014). ...
  • http : /grouplens , org/datas ets/book-cro ssing/ (accessed 07.7.2014). ...
  • نمایش کامل مراجع