افزایش کارایی سیستم های توصیه گر با استفاده از الگوریتم بهینه سازی ازدحام ذرات
- سال انتشار: 1396
- محل انتشار: سومین کنفرانس ملی دستاوردهای نوین در برق وکامپیوتر و صنایع
- کد COI اختصاصی: NCAEC03_101
- زبان مقاله: فارسی
- تعداد مشاهده: 685
نویسندگان
دانشجوی کارشناسی ارشد مهندسی کامپیوتر نرم افزار دانشگاه آزاد اسلامی واحد تبریز
استادیار،گروه مهندسی کامپیوتر ، دانشگاه آزاد اسلامی واحد تبریز
چکیده
با رشد روز افزون داده و اطلاعات در اینترنت و از طرفی رشد کاربران استفاده کننده از این اطلاعات و سرویس ها، لزوم وجود سیستمی را نمایان می سازد که بتواند کاربر را به سمت سرویس مورد علاقه، البته در زمان استاندارد و با دقت قابل قبول هدایت نماید. بنابراین سیستم های توصیه گر جهت رفع این مشکلات و ارایه راه حل پا به عرصه گذاشتند از طرفی به علت وجود مسایلی همچون پراکندگی داده ها و مقیاس پذیری اطلاعات ، سیستم های توصیه گری که از روش های سنتی و مدلهای ریاضی استفاده می کردند پاسخگوی نیاز کاربران نشدند لذا جهت بهبود سرعت و دقت طی تحقیقات انجام شده، سیستم های توصیه-گر پالایش گروهی که از فاکتور سازی ماتریس و تجزیه ماتریس استفاده می کردند توانستند تا حدودی نیاز کاربران را برآورده کنند اما امروزه که بخاطر حجم بالای اطلاعات و وجود میلیون ها کاربر، دو عامل سرعت و دقت کاملا ضروری می باشد و جزء اساسی ترین شاخصهای این سیستم ها می باشد. الگوریتم های تکاملی جهت حل مشکل سرعت و کاهش میزان خطا به خاطر بروزرسانی کلیه رتبه ها به صورت یکجا در این سیستم ها استفاده شدند که الگوریتم ژنتیک توانسته است با حفظ خطاهای مربوطه سرعت را ارتقاء دهد. در این مقاله تلاش گردیده است جهت افزایش کارایی با استفاده از الگوریتم بهینه سازی ازدحام ذرات و سپس ادغام آن با الگوریتم آشوب رضایت هر چه بیشتر کاربران را به دست آورده و در نتیجه به توسعه تجارت الکترونیک یاری کرد. عمل شبیه سازی در نرم افزار متلب انجام شده است و نتایج حاصل از مقایسه الگوریتم های GA و CPSOنشان می دهند کهCPSO نسبت بهGA توانسته است سرعت و دقت را بهبود بخشد.کلیدواژه ها
سیستم های توصیه کننده – بهینه سازی ازدحام ذرات – پراکندگی داده – مقیاس پذیری – نظریه آشوبمقالات مرتبط جدید
- سیستم تشخیص نفوذ در محیط رایانش ابری با استفاده از یادگیری ویژ گی
- کاهش هزینه تعمیراتی ماشین های سنگین از طریق بهبود الگوریتم درخت تصمیم با الگوریتم های انتخاب ویژگی Information Gain ،Correlation و SVM
- پردازش کوانتومی تصاویر پزشکی و تشخیص لبه آن با استفاده از الگوریتم QHED
- بررسی و مقایسه روشهای تشخیص اکانت های جعلی در شبکه های اجتماعی
- مکان یابی و مقدار بهینه منابع تولید پراکنده به منظورکاهش تلفات و بهبود انحراف ولتاژ شبکه نامتعادل توزیع
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.