ارایه سیستم پیشنهاد دهنده پویا جهت تخمین نیازمند یهای کاربر مبتنی برمحاسبات نرم

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 528

This Paper With 14 Page And PDF and WORD 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:

ICMEAC04_012

تاریخ نمایه سازی: 19 خرداد 1396

Abstract:

با توجه به رشد روز افزون اطلاعات مرتبط و غیر مرتبط ، که اینترنت در اختیار کاربران قرار می دهد ، نیاز به مدیریتی کارآمد بر روی انبوه اطلاعات در دسترس ، برای هدایت کاربران به سمت کالا ی مورد نیاز ، بیش از پیش احساس می شود. به این منظور با تحلیل رفتار و شناسایی ترجیحات کاربران می توان از سیستم های پیشنهاد دهنده پویا برای استخراج نیازها و علاقه مندی آنها استفاده کرد. چالش های موجود دراین سیستم ها ، ارایه الگوریتم هایی است که فرآیند پیشنهادی آنها از دقت و صحت بالایی بر خوردار باشد. استفاده از تجزیه ماتریس و سپس تجزیه تانسورها در سیستم های پیشنهاد دهنده در سال های اخیر، مقبول تر بودن این روش ها را نسبت به روش های دیگر نشان می دهد. در این تحقیق روش پیشنهادی در مقایسه با روشهای مشابه در تجزیه ماتریس که دارای دو بعد کاربر- کالا می باشد ، بعد سوم زمان است که با استفاده از تجزیه تانسور، خطای بسیار کم تری را نشان می دهد. همچنین از بعد زمان به عنوان عامل مستقل استفاده شده است. نتایج نشان می دهد که استفاده از بعد سوم زمان در کاهش میانگین خطای تخمین ، در مجموعه دادگان خلوت، بسیار موثر است.

Authors

یاسر بزرگی راد

گروه مهندسی نرم افزار کامپیوتر، دانشگاه آزاد اسلامی بابل ، مازندران.

زهره خسروی لرگانی

موسسه آموزش عالی آیندگان تنکابن، گروه مهندسی نرم افزار کامپیوتر، مازندران.

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 :
  • Lathia, N., Hailes, S., Capra, L.2009). Temporal collaborative filtering with ...
  • John, Z., Kush, R., Subbian, K., (2012). Dynamic Matrix F ...
  • Takacs, G., Pilaszy, I., Nemeth, B., (2008). Investigation of Various ...
  • Adomavicius, G., S ankaranaray anan , R., Sen, S., & ...
  • Nakamoto, R., Nakajima, S., Miyazaki, J. & Uemura, S. Tag-based ...
  • Y. Y. Shih and D. R. Liu. (2008). "Product rec ...
  • D. R. Liu and Y. Y Shih. (2005). "Hybrid approaches ...
  • Lee, T. Q., Park, Y., & Park, Y. T. A ...
  • implicit feedback. Expert systems with applications, 34, 3055-3062, 2008. ...
  • 1]Tso-Sutter, K. H. L, Marinho, L. B., & S chmidt-Thieme ...
  • D.R.Liu andY.Y. Shih.(2005). "Integrating AHP ...
  • Chen, J., Geyer, W., Dugan, C., Muller, M., (2012). Make ...
  • Content-based Dimens ionality Reduction for Recommender Systems Panagiotis Symeonidis The ...
  • Ramos S., Duarte J. M., Duarte F. J., Vale Z. ...
  • Pazzani, _ J., & Billsus, D. Content-Based Rec ommendation Systems. ...
  • John S. Breese, David Heckerman, and Carl Kadie. Empirical analysis ...
  • A Social Network-B ased Recommender System (SNRS) Jianming He and ...
  • Adomavicius, G.; Tuzhilin, A. (June 2005). "Toward the Next Generation ...
  • Kolda, T., Bader, B., (2009). Tensor D ecompositions and Applications, ...
  • Kruskal, J., (1989). Rank, decomposition, and uniqueness for 3-way and ...
  • نمایش کامل مراجع