ورود
مقالات فارسیISIکنفرانسهاژورنالها

حل مشکل شروع سرد در سیستم های توصیه گر با استفاده از کاربران مجازی و روش یادگیری مدل

Publish place: National Conference on Computer Engineering and Information Technology Management
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 4,330

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:
https://civilica.com/doc/283040

شناسه ملی سند علمی:

CSITM01_499

تاریخ نمایه سازی: 10 شهریور 1393

Abstract:

یک سیستم توصیه گر از ابزارهای الگوریتمی برای کار با داده در دسترس مربوط به علایق کاربر برای پیشنهاد موردهای موردعلاقه استفاده می کند. الگوریتم های مربوط به فیلترینگ همکار در بین موثرترین الگوریتم های توصیه قرار دارند چون مقدارزیادی از داده مربوط به علایق در مورد یک کاربر خاص و جامعه مربوط به او گردآوری می شود. موارد جدید و کاربران جدید کهرفتار آنها ناشناخته است به طور پیوسته به سیستم توصیه گر افزوده می شوند. در نتیجه توصیه ها ممکن است از مشکل شروعسرد معروف تاثیر منفی بگیرند. در این مقاله ما به بررسی مشکل شروع سرد می پردازیم و برای حل این مشکل راه حل هایی ارائهمی دهیم. از جمله این راه حل ها استفاده از ربات ها یا کاربران مجازی است که به سیستم وارد می کنیم. یک ربات می تواند بهصورت یک کاربر یا مورد مصنوعی تولید شود. همچنین در ادامه به بررسی روش دیگری برای حل مشکل شروع سرد می پردازیمکه از روش یادگیری مدل استفاده می کند و از سه مرحله پیش پردازش داده و یادگیری مدل و مرحله توصیه تشکیل شده است.

Keywords:

Authors

الیار مهدی زاده اقدم

کارشناس ارشد مهندسی فناوری اطلاعات (گرایش شبکه های کامپیوتری)، دانشگاه گیلان

سامان طهوری

کارشناس ارشد مهندسی فناوری اطلاعات (گرایش شبکه های کامپیوتری)، دانشگاه گیلان

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 :
  • D. Agarwal and B.-C. Chen (2009) _ _ Regres sion-based ...
  • J. Basilico and T. Hofmann (2004); Unifying collaborative and content-based ...
  • Basu, C., H. Hirsh, and W. Cohen (1998); Re commendation ...
  • C. Boutilier, R. Zemel, and B. Marlin (2003);" Active collaborative ...
  • Burke, R.(2002);" Hybrid recommender systems: Survey and experiments", User Modeling ...
  • Breese, J.S., D. Heckerman, and C. Kadie(1998);" Empirical analysis of ...
  • Claypool, M., et al(1999);" Combining content-based and collaborative filters in ...
  • Cohen, W.W., R.E. Schapire, and Y. Singer(2011);" Learning to order ...
  • Das, A.S., Datar, M., Garg, A., Rajaram, S.(2007);" Google news ...
  • Freund, Y., et al.(2003);" An efficient boosting algorithm for combining ...
  • N. Golbandi, Y. Koren, and R. Lempel(20 10);" On bootstrapping ...
  • K. Goldberg, T. Roeder, D. Gupta, and C. Perkins(200 _ ...
  • N. Good, J. B. Schafer, J. _ Konstan, A. Borchers, ...
  • A. Gunawardana and C. Meek(2008); Tied boltzmann machines for cold ...
  • A. Harpale and Y. Yang(2008);" Personalized active learning for collaborative ...
  • Herlocker, J., Konstan, J.A., Riedl, J.(2002);" An empirical analysis of ...
  • Herlocker, J.L., et al (1999); An algorithmic framework for performing ...
  • Hofmann, T. and J. Puzicha(1999);" Latent class models for collaborative ...
  • R. Jin and L. Si(2004);" A Bayesian approach toward active ...
  • J. A. Konstan, B. N. Miller, D. Maltz, J. L. ...
  • M. R. McLaughlin and J. l. Herlocker(2 004);" A collaborative ...
  • Nakamura, A. and N. Abe(1998); Collaborative Filtering Using Weighted Majority ...
  • S.-T. Park and W. Chu(2009);" Pairwise preference regression for cold-start ...
  • Pennock, D.M., E. Horvitz, and C.L. Giles(2000);" Social choice theory ...
  • D. Pennock, E. Horvitz, S. Lawrence, and C. Giles(2000); Collaborative ...
  • Popescul, A., D.M. Pennock, and S. Lawrence(200 1); Probabilistic models ...
  • P. Pu and L. Chen(2009);" User-involved preference elicitation for product ...
  • A. M. Rashid, G. Karypis, and J. Riedl(2008);" Learning Preferences ...
  • A. Rashid, I. Albert, D. Cosley, S. Lam, S. McNee, ...
  • P. Resnick, N. Iacovou, M. Suchak, P. Bergstorm, and J. ...
  • Sarwar, B., et al.(2000);" Application of dimensionality reduction in recommender ...
  • Sarwar, B., et al(2001);" Item-based collaborative filtering rec ommendation algorithms, ...
  • Schein, A.I., et al(2001); Generative models for cold-start rec ommendations ...
  • A. I. Schein, A. Popescul, L. H. Ungar, and D. ...
  • Shani, G., Gunawardana, A(201 1);Evaluating rec ommendation systems", In: Ricci, ...
  • D. Stern, R. Herbrich, and T. Graepel(2009) _ Matchbox: large ...
  • Ungar, L.H. and D.P. Foster(1998);" Clustering methods for collaborative filtering", ...
    • نمایش کامل مراجع