تاثیر استفاده از داده های محتوا بر عملکرد سیستم های پیشنهاد دهنده در صفحات وب

Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 889

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NIESC01_092

تاریخ نمایه سازی: 14 شهریور 1392

Abstract:

درفضای غنی ازاطلاعات وب سیستم های پیشنهاددهنده سعی درتشخیص و مدل بندی علایق کاربر و هدایت او بسوی ایتم های مناسب دارند اکثرسیستم های پیشنهاددهنده با بهره گیری ازتکنیکهای اماری و با استفاده ازروشهای داده کاوی برروی فایل های ثبت شده عمل نموده و با استخراج الگوهای رفتاری کاربران به ارایه پیشنهاد اقدام می کنند پیشگویی نرخ کلیک روی آیتم ها و یا رتبه هایی که کاربران به ایتم ها می دهند ازوظایف مهم سیستم های پیشنهاد دهند است ازطریق مدلهای اماری میتوان به این مهم دست یافت یکی ازشیوه هایی که اخیرا مورد توجه قرارگرفته است مدلهای اثرات تصادفی دوخطی است که با استفاده ازاثرات تصادفی به پیشگویی رتبه ها می پردازد دراین مقاله می خواهیم تاثیر استفاده ازداده های محتوا برپیشگویی رتبه و نرخ کلیک روی آیتم ها را بررسی کنیم بدین منظور ابتدا مدل Regression-based Latent Factor Model( RLFM ارایه شده توسط اگاروال 2009 را معرفی می کنیم دراین مدل فقط ازویژگیهای کاربر ایتم و فعالیت های قبلی کاربر و همچنین اثرات پنهان کاربر و ایتم استفاده میشود سپس به توصیف مدل Bias-smoothed Tensor Model( BST ارایه شده توسط چن 2011 می پردازیم که هدف آن براورد رتبه کاربر درمجموعه ای ازکامنت هاست دراین مدل علاوه برویژگیهای کاربر ایتم فعالیت های قبلی کاربر و اثرات پنهان کاربر و ایتم ازاطلاعات اضافی چون داده های محتوی و ساختارصفحات وب استفاده میشود.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • _ واحد سح آباد 20029 آدر _ 91 ...
  • Adomavicius, G. and Tuzhilin, A. (2005). Toward the next generation ...
  • Agarwal, D. and Chen, B. (2009). Regres sion-based latent factor ...
  • B.-C. Chen, J. Guo, B. Tseng, and J. Yang. User ...
  • /5] Bell, R., Koren, Y., and Volinsky, C. (2007). Modeling ...
  • /6] Bennett, J. and Lanning, S. (2007). The netix prize. ...
  • Booth, J. and Hobert, J. (1999). Maximizing generalized linear mixed ...
  • _ Nag, B. (2008). Vibes: A p latform-centrc approach to ...
  • _ Salakhutdinov, R. and Mnih, A. (2008a). Bayesian probabilistic matrix ...
  • Salakhutdinov, R. and Mnih, A. (2008b). Probabilistic matrix factorization. Advances ...
  • Srebro, N., Rennie, J., and Jaakkola, T. (2005). M axi ...
  • نمایش کامل مراجع