استفاده از خصوصیات الگوریتم kNN برای رفع مشکلات مربوط به سیستم های توصیه گر

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,889

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISCEE16_116

تاریخ نمایه سازی: 21 تیر 1393

چکیده مقاله:

الگوریتم های استفاده شده در سیستم های توصیه گر میتواند به دو دسته فیلترینگ همکار و محتوا محور تقسیم بندیشود. در سیستم های همکار یا CF آیتم ها به کاربران بر اساس مجموع درجه بندی های قبلی سایر کاربران توصیه می شود و درسیستم های محتوامحور آیتم هایی توصیه می شوند که از نظر محتوا به آیتم هایی شباهت دارند که کاربر در گذشته دوست داشتهاست یا این که بر خصوصیات کاربر منطبق هستند. می توان گفت که الگوریتم k تا از نزدیک ترین همسایه ها (kNN) معروف ترینروش در حوزه فیلترینگ همکار محسوب میشود.یک راه حل برای آنالیز یک الگوریتم kNN در نظر گرفتن آن به صورت پروسه ایاست که یک گراف را تولید میکند.در این مقاله ما تعدادی از خصوصیات گراف kNN شامل طول مسیر و ارتباط و تقابل و توزیع درجهرا بررسی میکنیم و با استفاده از این خصوصیات به بررسی مفهوم کاربران قوی می پردازیم. در پایان تعدادی از مشکلات معمولسیستم های توصیه گر بررسی شده اند و چگونگی مقابله با تعدادی از این مشکلات مانند شروع سرد و مقیاس پذیری و انتخاب پارامتربا استفاده از الگوریتم kNN شرح داده شده است.

کلیدواژه ها:

نویسندگان

الیار مهدی زاده اقدم

دانشگاه گیلان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Arul Prakash Asirvatham _ Kranthi Kumar Ravi, Asirvatham Kranthi _ ...
  • Sarah K. Tyler and Yi Zhang , "Open Domain Rec ...
  • _ _ _ _ 10th international conference on World Wide ...
  • M.J. Pazzani and D. Billsus, " Content-based recommendati on systems", ...
  • P Melville, V S indhwani , "Recommender systems", ...
  • Proceedings of the 23rd ACM SAC TRECK Track, Fortaleza, Brazi, ...
  • J. Herlocker, J. Konstan, L. Terveen, and J. Riedl, " ...
  • A. Barabasi and R. Albert, ; Statistical mechanics of complex ...
  • _ _ _ _ Social Network Systems _ ...
  • G. Salton and M. McGill, " Introduction to Modern Information ...
  • P. Melville, R. J. Mooney, and R. Nagarajan, " Content-boosted ...
  • M. Claypool, A. Gokhale, T. Miranda, et al., "Combining content- ...
  • J. McCrae, A. Piatek, and A. Langley, "Collaborative Filtering", h ...
  • S. K. Lam and .J. Riedl, "Shilling recommender systems for ...
  • B. Mobasher, R. Burke, R. Bhaumik, and C. Williams, "Effective ...
  • M. O Mahony, N. Hurley, N. Kushmerick, and G. Silvestre, ...
  • R. Bell and Y. Koren, "Improved neighb orhood-based collaborative filtering ...
  • _ _ _ _ in ratings-based recommender systems: An al ...
  • G. Adomavicius, R. S ankaranarayan an, and S. Sen, " ...
  • Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl, " ...
  • نمایش کامل مراجع