بهبود سیستم توصیه گر مقالات علمی با استفاده از استخراج پروفایل کاربر درداده های کلان

امروزه کتابخانه های دیجیتال حجم فراوانی از داده و مقالات علمی را به عنوان فرصتی مناسب پیش روی کاربران قرار داده اند، این حجم بالای داده و مقالات و افزایش روز افزون آنها، کاربران را با مشکل یافتن اطلاعات و آیتم های مناسب مواجه کرده است.سیستم های توصیه گر از جمله ابزارهایی موفق در شناخت کاربران و شناسایی اولویت های آنها هستند. این سیستم ها به کاربرانی که از بین حجم بالایی از اطلاعات به دنبال نوعی خاص از اطلاعات مرتبط یا اولویت هایشان هستند،پیشنهاد شخصیسازی شده را ارائه می دهد.سیستم توصیه گر مبتنی بر شخصی سازی از پروفایل کاربر استفاده می کند و از آنجایی که پروفایل کاربر اطلاعات مربوط به الویت های کاربر را دارا است یک حوزه بسیار فعال در بازیابی اطلاعات است. سیستم توصیه گر مقاله رویکردی است که برای مواجهه با مشکلات ناشی از حجم فراوان و رو به رشد مقالات ارائه شدهاست و به کاربر خود کمک میکند تا در میان حجم عظیم مقالات سریعتر به هدف خود نزدیک شود. در این مقاله روشی را ارائه می دهیم که همه اطلاعات موجوددر یک مقاله را دریافت کرده و از طریق تولید پرس و جو های کوتاه و طولانی ، برای هر کاربر پروفایلی تشکیل می دهد،که این پروفایل برای هر فرد شخصی سازی شده است و سپس از طریق پروفایل کاربر به وی مرتبط ترین مقاله را توصیه می کند.نتایج حاصله نشان می دهد که روش پیشنهادی نسبت به روش های مشابه بهتر عمل می کند.

کلیدواژه ها:

سیستم های توصیه گر ، داده های حجیم ، پروفایل کاربر ، سیستم توصیه گر مبتنی بر محتوا ، هدوپ