بهبود صحت در سیستم های پیشنهاددهنده مبتنی بر برچسب با کشف کاربران خاکستری
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 562
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICTCK02_025
تاریخ نمایه سازی: 8 آبان 1395
چکیده مقاله:
در سالهای اخیر، حجم اطلاعات دیجیتال در دسترس به صورت نمایی در حال افزایش است. سیستم هایپیشنهاددهنده در میان انبوهی از این اطلاعات به کاربران کمک نموده و آنها را به سمت اطلاعات موردنیاز خود هدایتمی کنند. اما آنچه اهمیت دارد چگونگی فیلتر کردن و تحویل اطلاعات موثر و مرتبط به کاربران است. با توجه به اینموضوع که روشهای فیلترینگ مبتنی بر مشارکت، اغلب به همراه دیگر ترکیبهای تفکیک کننده به کار برده میشوند، نقش مهمی در سیستم های پیشنهاد دهنده ایفا می کنند. در سیستم های پیشنهاددهنده مبتنی بر مشارکت ازاطلاعات همسایگان مرتبط با کاربر موردنظر به منظور پیشنهاد منبع بهره می گیریم. بنابراین، انتخاب همسایگانی بااطلاعات واقعی، صحیح و مرتبط از اهمیت ویژهای برخوردار است. اما وجود کاربران خاکستری یکی از چالش های بزرگپیش روی این سیستم ها می باشد که باعث تولید لیست های خروجی با دقت پایین و دور شدن سیستم هایپیشنهاد دهنده از هدف اصلی می شود. در این مقاله به منظور کشف کاربران خاکستری، چند ماژول مستقل معرفیشده است. در هر یک از این ماژولها، تکنیک های خوشه بندی و همچنین کلمات مرتبط و مفاهیم معنایی به منظورکشف کاربران خاکستری برروی پایگاه داده دلیشز مورداستفاده قرار گرفته اند. در انتها از یک ماژول تجمیع به منظورجمع آوری اطلاعات و تامین داده های ورودی برای سیستم پیشنهاددهنده از چهار ماژول کشف کاربران خاکستریاستفاده شده است. بر اساس نتایج بدست آمده، کشف و صرف نظر از این کاربران، سبب بهبود صحت و کارایی در ارائهپیشنهادات به کاربران نهایی شده است.
کلیدواژه ها:
نویسندگان
مروارید زاهدی فرد
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی کامپیوتر
مهرداد جلالی
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی کامپیوتر
مجید وفایی جهان
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی کامپیوتر
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 :