سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

الگوریتم خوشهبندی تکاملی در سیستمهای پیشنهاد دهنده مبتنی بر مشخصات فردی و ویژگیهای زمانی

Publish Year: 1393
Type: Conference paper
Language: Persian
View: 968

This Paper With 6 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

ICKIS01_033

Index date: 14 April 2015

الگوریتم خوشهبندی تکاملی در سیستمهای پیشنهاد دهنده مبتنی بر مشخصات فردی و ویژگیهای زمانی abstract

در دهه اخیر، استفاده از اینترنت و وب سرویس، روش استفاده از منابع و برقراری ارتباط در اینترنت را تغییر داده است. اگرچه، این کاربرد، زندگی را از منظرهای مختلف آسان کرده است اما مشکل یافتن اطلاعات مرتبط، همچنان وجود دارد. یک کاربر جدید با مشکل سرریزیاطلاعات مواجه است و جریان پیوسته اطلاعات جدید، مشکل را پیچیدهتر میکند. علاوه براین، با گذر زمان، علاقههای کاربر نیز تغییر میکند.برای حل این مشکل، اغلب از تکنیک داده کاوی استفاده شده است. سیستمهای پیشنهاد دهنده، در یافتن اطلاعات مرتبط روی وب به کاربر کمک میکنند و اغلب مبتنی بر الگوریتمهای داده کاوی میباشند. در این مقاله، با ارائه یک سیستم پیشنهاد دهنده پویاکه تحت تاثیر ویژگی- های فردی افراد است، به حل مسئله تغییر خواستههای کاربر در طی زمان جستجوی اطلاعات، میپردازیم. بدین ترتیب کهعلاوه براثربخشیامتیازدهی کاربران به اقلام مورد نظر، اطلاعات شخصیتی افراد نیز در این سیستم پیشنهاد دهنده، مورد تاثیر قرار میگیرد. الگوریتم خوشهبندی نیز، خوشههای کاربران مشابه را میسازد و با تکامل آنها در هر بازه زمانی، اولویتهای کاربر مربوطه را نشان میدهد. الگوریتم پیشنهادی پس از مقایسه با الگوریتمهای مطرح پیشین، بهبود قابل ملاحظهای در کیفیت پیشنهادات ارائه داده است.

الگوریتم خوشهبندی تکاملی در سیستمهای پیشنهاد دهنده مبتنی بر مشخصات فردی و ویژگیهای زمانی Keywords:

الگوریتم خوشهبندی تکاملی در سیستمهای پیشنهاد دهنده مبتنی بر مشخصات فردی و ویژگیهای زمانی authors

وحیده نوبهاری

گروه هوش مصنوعی، دانشگاه آزاد اسلامی واحد مشهد

سیده حلیمه لطفی

گروه هوش مصنوعی، دانشگاه آزاد اسلامی واحد مشهد

مهرداد جلالی

استادیار، دانشکدهفنی و مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد

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 :
bybrid systems, t Fusion, vol. I6, pp. 3- sه _ ...
W. N. Street, "Incremental Collaborative Filtering via Evolutionary, " no. ...
based on temporal features for dynamic recommender systems, " [7] ...
A. Strehl, "Cluster Ensembles - A Knowledge Reuse Framework for, ...
S. J. Pan and Q. Yang, _ Survey on Transfer ...
_ _ _ method in Recommender Systems, " Expert Syst. ...
R. Salakhutdinov and A. Mnih, "Probabilistic Matrix ...
_ _ _ Systems, " pp. _ ...
نمایش کامل مراجع

مقاله فارسی "الگوریتم خوشهبندی تکاملی در سیستمهای پیشنهاد دهنده مبتنی بر مشخصات فردی و ویژگیهای زمانی" توسط وحیده نوبهاری، گروه هوش مصنوعی، دانشگاه آزاد اسلامی واحد مشهد؛ سیده حلیمه لطفی، گروه هوش مصنوعی، دانشگاه آزاد اسلامی واحد مشهد؛ مهرداد جلالی، استادیار، دانشکدهفنی و مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد نوشته شده و در سال 1393 پس از تایید کمیته علمی اولین کنفرانس بین المللی مهندسی دانش،اطلاعات و نرم افزار پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله خوشه بندی تکاملی، داده کاوی، سیستمهای پیشنهاد دهنده، فیلترکننده مشارکتی هستند. این مقاله در تاریخ 25 فروردین 1394 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 968 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که در دهه اخیر، استفاده از اینترنت و وب سرویس، روش استفاده از منابع و برقراری ارتباط در اینترنت را تغییر داده است. اگرچه، این کاربرد، زندگی را از منظرهای مختلف آسان کرده است اما مشکل یافتن اطلاعات مرتبط، همچنان وجود دارد. یک کاربر جدید با مشکل سرریزیاطلاعات مواجه است و جریان پیوسته اطلاعات جدید، مشکل را پیچیدهتر میکند. علاوه براین، ... . این مقاله در دسته بندی موضوعی داده کاوی طبقه بندی شده است. برای دانلود فایل کامل مقاله الگوریتم خوشهبندی تکاملی در سیستمهای پیشنهاد دهنده مبتنی بر مشخصات فردی و ویژگیهای زمانی با 6 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.