بررسی و تحلیل فاکتورهای اساسی در طراحی سیستم های توصیه گر

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 5,744

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEC02_125

تاریخ نمایه سازی: 17 اردیبهشت 1388

چکیده مقاله:

در دنیای جدید اگرچه اینترنت حجم فراوانی از داده ها را به عنوان فرصتی مناسب پیش روی کاربران قرار داده است اما در صورت نبود مدیریتی کارآمد بر روی انبوه داده های در دسترس، این امتیاز خود مانعی برای پیشرفت خواهد بود. به طوری که امروزه با توجه به حجم روزافزون داده و اطلاعات، نیاز به سیستم هایی که توانایی هدایت کاربران به سمت کالا و سرویس مورد نظر را داشته باشند بیش از پیش احساس می شود. سیستمهای توصیه گر سیستم های هوشمندی هستند که در فضای اینترنت با شناسایی علایق و اولویتهای کاربر، اطلاعات موجود را پالایش کرده و پیشنهادات مناسب و مرتبط را به تک تک کاربران ارائه می کنند. سیستم های توصیه گر ابزاری برای هرچه توانمند کردن شهروندان در بهره برداری از فضای وب محسوب می شوند. با استفاده از سیستم های توصیه گر، امکان جستجو به دنبال مفاهیمی وجود دارد که در جستجوی عادی داده ها دسترسی به آنها میسر نیست. دراین مقاله پس از شرح مقدمه ای بر مفاهیم بنیادی سیستم های توصیه گر، به تعریف و توصیف ویژگی های آن ها خواهیم پرداخت در ادامه و طی یک طبقه بندی، هشت فاکتور اساسی در طراحی، ساخت و به روز رسانی این سیستم ها از دیدگاه ساختاری مورد بررسی قرار گرفته و حدود ده سیستم پیاده سازی شده نیز از منظر این طبقه بندی مورد بررسی و تحلیل قرار خواهد گرفت.

نویسندگان

زهرا مرادی منش

عضو گروه پژوهش ITBM پژوهشکده ICT جهاد دانشگاهی

محمد درزی

عضو گروه پژوهش ITBM پژوهشکده ICT جهاد دانشگاهی

حبیب اله اصغری

عضو هیات علمی جهاد دانشگاهی تهران ایران

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 :
  • شهرابی، جمال، داده کاوی، تهران، جهاد دانشگاهی واحد صنعتی امیر ...
  • تحلیل الگوریتم‌های پالایش مشارکتی مبتنی بر کالا در ارایه خدمات به شهروند الکترونیک [مقاله کنفرانسی]
  • مرادی منش، زهرا، تحلیل فنی سیستم‌های توصیه گر، برای اخذ ...
  • Gan, Guojun, Chaoqun Ma, and JianhongWu , Data Clustering: Theory, ...
  • Jiawei Han and Micheline Kamber Data Mining: Concepts and Techniques, ...
  • Miquel Montaner , Beatriz Lopez and Josep Llus de la ...
  • Konstan, J., Miller, B., Maltz, D., Herlocker, J., Gordon, L., ...
  • Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Riedl, ...
  • Shardanand, U., and Maes, P. (1995).'* Social Information Filtering: Algorithms ...
  • Robin Bruke. (November 2002) _ Reco mmender Systems , Pages: ...
  • A tool for -SIFT؟، 11- Tak W. Yan, Hector Garcia ...
  • Goldberg David, Nichols David, M. Oki Brian and Terry Douglas, ...
  • Chen, L. & Sycara, K. (1998).، Webmate: A Personal Agent ...
  • Potter, G. & Trueblood, R. (1988).، Traditional, Semantic, and Hyper-S ...
  • Jensen, F. V. (1996). _ Introduction to Bayesian Networks? . ...
  • B.Krulwich, , C.Burkey, _ The InfoFinder agent: learning user interests ...
  • Basu, C., Hirsh, H. & Cohen, W. (1998). Rec ommendation ...
  • Rich, E. (1979). _ User Modeling via Stereotypes' . Cognitive ...
  • Cunningham, P., Bergmann, R., Schmitt, S., Traphoner, R., Breen, S. ...
  • Salton, G. & Buckley, C. (1988). _، Term -Weighting Approaches ...
  • Koychev, I. (2000).، 4Gradual Forgetting for Adaptation to Concept Drift?^. ...
  • Sonja Kangas, ،، Collaborative Filtering and Rec ommendation Systems'. In ...
  • نمایش کامل مراجع