طراحی سیستم پیشنهاد دهنده فیلم با استفاده از روشهای boosting
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 690
This Paper With 7 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:
شناسه ملی سند علمی:
ICTCK03_015
تاریخ نمایه سازی: 10 تیر 1396
Abstract:
سیستم های پیشنهاد دهنده در زمینه های مختلفی از جمله فیلم، موزیک، شبکه های اجتماعی و غیره مورد استفاده قرار می گیرند. هدف این سیستم ها ارایه پینهادات جذاب به کاربران با توجه به عملکردشان در سیستم است. محبوبترین سیستم های پیشنهاد دهنده مدلهای محتوا محور و فیلترینگ مشارکتی است. روش مشارکتی از دو مشکل عمده رنج می برد: مشکل اول شروع سرد کاربران است و مشکل دوم نیز مسیله اعتماد کاربران وفادار است. در این مقاله با ترکیب روش محتوا محور و فیلترینگ مشارکتی به صورت بوستینگ یک سیستم توصیه گر طراحی شده است که علاوه بر حل مشکل شروع سرد، مسیله اعتماد و در نظر گرفتن کاربران وفادار را نیز پوشش می دهد. روش پیشنهادی شامل سه مرحله می باشد: (1) خوشه بندی اوله کلیه کاربران و تعیین خوشه مناسب به کاربر جدید(2) تعیین وزن مناسب برای هر کدام از ویژگی های کاربران خوشه مرود نظر تعیین همسایگان نزدیک کاربر جدید(3) تشکیل ماتریس مجاورتی امتیازات همسایگان نزدیک به فیلم های موجود و محاسبه امتیاز کاربر جدید به هر فیلم. روش ارایه شده به منظور خوشه بندی اولیه از قابلیت سیستم های محتوا محور با توجه به اطلاعات دموگرافیک کاربران استفاده می نماید. نتایج بدست آمده نشان می دهد که میانگین خطای واقعی و مجوز مربع میانگین روش پیشنهادی نسبت به روشهای نایوبیز، [عینا همانند مقاله] در حدود 8.4% بهبود داشته است.
Keywords:
Authors
بهنام حیدری
دانشگاه آزاد اسلامی واحد شیراز، گروه مهندسی کامپوتر، شیراز، ایران
الهام پروین نیا
دانشگاه آزاد اسلامی واحد شیراز، گروه مهندسی کامپیوتر، شیراز، ایران
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 :