بهبود دقت توصیه ها در سیستم پیشنهاد دهنده بر مبنای ارزیابی اعتماد بر اساس مدل منطقی ذهنی
محل انتشار: سومین کنگره بین المللی فن آوری، ارتباطات و دانش
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 551
فایل این مقاله در 7 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:
ICTCK03_002
تاریخ نمایه سازی: 10 تیر 1396
چکیده مقاله:
در رویکرد فیلترینگ مشارکتی برای ارایه توصیه ها در سیستم های پیشنهاد دهنده، بر اساس ارزشیابی های گذشته کاربر فعال و میزان شباهت آنها با بازخوردهای سایر کاربران، مناسب ترین اقلام به کاربر فعال پیشنهاد میگردد. اما فیلترینگ مشارکتی به ویژه در مورد کاربران شروع سرد و در شرایط خلوتی داده ها و نیز در حضور حملاتی مانند ارزشیابی غیرواقعی کارآمدی پایینی دارد. به همین دلیل رویکردهای مکمل مانند مدیریت اعتماد برای کاهش این چالش ها مورد توجه قرار گرفته است. از طرف دیگر در سال های اخیر محققان به این نتیجه رسیده اند که مدل های اعتماد آگاه از اطمینان در حوزه های محتلف دقت بالاتری در ارزیابی اعتماد ارایه می کنند. اطمینان به معنی میزان باور به درستی تخمین اعتماد است. در این مقاله یک راهکار جدید برای افزایش دقت توصیه ها در سیستم های پیشنهاد دهنده بر مبنای اعتماد آگاه از اطمینان ارایه می گردد. در راهکار پیشنهادی دو نوع اعتماد صریح و ضمنی مورد محاسبه قرار می گیرد و پارامتر اطمینان بر اساس سه معیار تعداد، سازگاری و تازگی ارزشیابی ها محاسبه و در قالب مدل منطق ذهنی ارایه می گردد. در نهایت مناسب ترین اقلام بر اساس دو پارامتر اعتماد و اطمینان انتخاب و به کاربر فعال ارایه می گردد. نتایج ارزیابی روش پیشنهادی بر روی مجموعه داده های شناخته شده در این حوزه نشان می دهد که دقت و پوشش راهکار پیشنهادی بهبود قابل ملاحظه ای نسبت به روش های موجود ارایه می کند.
کلیدواژه ها:
نویسندگان
سمانه شیبانی
دانشگاه آزاد اسلامی واحد مشهد، گروه کامپیوتر
حسن شاکری
دانشگاه آزاد اسلامی واحد مشهد، گروه کامپیوتر، 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 :