ارایه روشی برای سیستم های توصیه گر با استفاده از فاکتورگیری ماتریسی
Publish place: کنفرانس ملی فناوری های نوین در مهندسی برق و کامپیوتر
Publish Year: 1396
Type: Conference paper
Language: Persian
View: 1,381
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
PCCO01_224
Index date: 17 August 2018
ارایه روشی برای سیستم های توصیه گر با استفاده از فاکتورگیری ماتریسی abstract
با افزایش میزان اطلاعات قابل دسترس در اینترنت نیاز به ابزارهایی است که کاربران را در این حجم اطلاعات راهنمای کنند. سیستم های توصیه گر با جمع آوری داده های مورد نیاز سعی میکنند پیشنهادهای مناسب را تولید کنند و پالایش مشارکتی یکی از روش های مطرح در این زمینه است که با تحلیل امتیازات کاربران سعی میکند امتیاز بعدی را بر اساس کاربران مشابه پیش بینی کند. با این وجود، بیشتر روش های پالایش مشارکتی با چالش های نظیر خلوت بودن داده ها و مقیاس پذیری مواجه هستند. برای مقابله با چالش های موجود در سیستم های توصیه گر، در این مقاله یک روش بر پایه فاکتورگیری ماتریسی غیرمنفی پیشنهاد و آزمایش شده است. در این روش فرض بر این است که با تعداد محدودی از ویژگی های نهفته میتوان ترجیحات کاربران را توصیف کرد و هر کدام از کاربران و اقلام به صورت یک بردار ویژگی قابل نمایش هستند که ابعاد آن برابر با تعداد ویژگی های نهفته است. برای نمونه امتیازی که یک کاربر به یک فیلم میدهد میتواند به تعداد محدودی ویژگی نهفته وابسته باشد مانند علاقه کاربر به ژانر فیلم. روش های فاکتورگیری ماتریسی با مدل کردن ویژگی های نهفته سعی می کنند یک تقریب وزن دار برای ماتریس امتیازات پیدا کنند. این وزنها درنهایت برای پیش بینی امتیازات نامعلوم بکار برده می شوند. نتایج آزمایش ها بر روی مجموعه داده MovieLens نشان میدهد راهکار پیشنهادی به خوبی چالش های خلوت بودن و مقیاس پذیری را حل می کند.
ارایه روشی برای سیستم های توصیه گر با استفاده از فاکتورگیری ماتریسی Keywords:
ارایه روشی برای سیستم های توصیه گر با استفاده از فاکتورگیری ماتریسی authors
مهدی حسین زاده اقدم
استادیار، دانشگاه بناب