بهبود کارایی در سیستم های پیشنهاد دهنده ی مبتنی بر گراف
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 872
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
NPECE01_174
Index date: 25 January 2017
بهبود کارایی در سیستم های پیشنهاد دهنده ی مبتنی بر گراف abstract
گسترش اینترنت در سال های اخیر باعث ایجاد برنامه های کاربردی بسیار زیادی در زمینه تجارت الکترونیک شده است یکی از مهم ترین برنامه های کاربردی سیستم های پیشنهاد دهنده است این سیستم ها نوع ویژه ای از سیستم های فیلتر اطلاعات هستند که در آن آیتم ها بر اساس آنچه که برای کاربر جذاب است فیلتر می شود با توجه به حجم عظیم داده ای که امروزه با آن مواجه هستیم استفاده از سیستم های پیشنهاد دهنده در ساختار گراف ضروری است فیلتر کردن اطلاعات در این سیستم ها بر اساس شباهت بین آیتم ها انجام می شود از روش های اندازه گیری شباهت در گراف داده استفاده از خصوصیات ساختاری و غیر ساختاری یا ترکیبی از آنها است در این تحقیق هدف افزایش دقت در انتخاب آیتم های پیشنهادی با ترکیب دو روش مبتنی بر محتوا و فیلترینگ همبستگی در گراف داده ای است به همین منظور الگویی جدید جهت ایجاد پیشنهاد در سیستم های پیشنهاد دهنده مبتنی بر گراف ارائه شده است این الگو میزان شباهت بین موجودیت ها را با ترکیب الگوریتم های ساختاری و غیر ساختاری محاسبه کرده و پیشنهادات را بر اساس بیشترین میزان مشابهت به کاربر ارائه می کند در الگوریتم ساختار ارائه شده از روش های پیش بینی یال و الگوریتم SRank استفاده شده است در الگوریتم غیر ساختاری برای محاسبه میزان مشابهت بین عناصر ویژگی های پروفایلی موجودیت ها مدنظر قرار گرفته است در بخش ارزیابی الگوی پیشنهادی بر روی مجموعه داده ای فروشگاه اینترنتی آی هدیه پیاده سازی می شود
بهبود کارایی در سیستم های پیشنهاد دهنده ی مبتنی بر گراف Keywords:
سیستم های پیشنهاد دهنده , کلان داده ها , گراف داده ای , شباهت ساختاری , شباهت غیر ساختاری , پیش بینی یال
بهبود کارایی در سیستم های پیشنهاد دهنده ی مبتنی بر گراف authors
الهام صانعی نژاد
دانشکده کامپیوتر موسسه آموزش عالی صفاهان اصفهان
هادی خسروی فارسانی
دانشکده مهندسی کامپیوتر دانشگاه شهرکرد شهرکرد
محمدرضا خیام باشی
دانشکده مهندسی کامیپوتر دانشگاه اصفهان
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 :