مروری بر انواع سیستم های پیشنهاد دهنده

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,088

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC01_138

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

حجم عظیم اطلاعات در فضای اینترنت باعث سردرگمی کاربران برای یافتن اطلاعات، کالا و یا خدمات مورد علاقه شان شده است. سیستم های پیشنهاد دهنده در جهت رفع این مشکل ایجاد شده اند. سیستم های پیشنهاد دهنده، سیستم های هوشمندی هستند که در جهت شخصی سازی اطلاعات طراحی شده اند. این سیستم ها قادرند اطلاعات مورد علاقه کاربران را از میان مخزن عظیمی از اطلاعات به عنوان پیشنهاد به آنها معرفی کنند. برای تولید پیشنهادات شخصی سازی شده، یک مدل سازی دقیق از ترجیهات کاربران مورد نیاز است که برای این مدل سازی دقیق نیاز به دانستن ترجیهات کاربران می باشد. استخراج اطلاعات مربوط به ترجیهات کاربران در مواردی به صورت صریح انجام می شود و در بعضی از موارد نیز باید به صورت ضمنی انجام گردد. برای سیستم های پیشنهاد دهنده الگوریتم های بسیاری ارائه شدهاست که از بین آنها، الگوریتم های فیلترینگ مشارکتی و فیلترینگ مبتنی بر محتوا محبوبیت بیشتری دارند. از مشکلاتی که این سیستم ها با آن روبرو هستند، می توان از مشکل شروع سرد و مقیاس پذیری نام برد. در این مقاله به مروری جامع بر روی سیستم های پیشنهاد دهنده می پردازیم.

کلیدواژه ها:

سیستم های پیشنهاد دهنده ، مشکل شروع سرد ، فیلترینگ مشارکتی ، فیلترینگ مبتنی بر محتوا ، رهیافت فیلترینگ ترکیبی

نویسندگان

محمد بهنیا

دانش آموخته دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)

فرساد زمانی بروجنی

استادیار و عضو هیأت علمی گروه کامپیوتر دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)

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 :
  • International Conference on Information Tecbnology, Computer & Communication رایمنذپژو0 28 ...
  • Adomavicius, G. and A. Tuzhilin (2005). "Toward the next generation ...
  • Bobadilla, J., A. Hernando, F. Ortega and J. Bernal (2011). ...
  • Bobadilla, J., F. Ortega, A. Herando and A. Gutierrez (2013). ...
  • Bobadilla, J. and F. Serradilla (2009). The effect of snarsitv ...
  • Burke, R. (2002). "Hybrid recommender systems: Survey and experiments." User ...
  • Cantador, I., A .Bellogin and D. Vallet (2010). Content-hased recommendat ...
  • Lee, S. K., Y. H. Cho and S. H. Kim ...
  • Levandoski, J. J., M. Sarwat, A. Eldawy and M. F. ...
  • Lops, P., M. De Gemmis and G. Semeraro (2011). Content-based ...
  • Middleton, S. E., N. R. Shadbolt and D. C. De ...
  • Musto, C. (2010). Fmhanced vector _ models for content-hased recommendler ...
  • Pazzani, M. J. (1999). "A framework for collaborative, content-based and ...
  • Pazzani, M. J. and D. Billsus (2007). Content-based re commendation ...
  • Ricci, F.. L. Rokach and B. Shapira (2011). Introduction t، ...
  • Schafer, J. B., _ Frankowski, J. Herlocker and S. Sen ...
  • Su, X. and T. M. Khoshgoftar (2009). "A survey of ...
  • Su, X. and T. M. Khoshgoftar (2009). "A survey of ...
  • Van Meteren, R. and M. Van Someren (2000). Ising content-hased ...
  • Zanardi, V. and L. Capra (2008). Social ranking: nmcovering relevant ...
  • نمایش کامل مراجع