مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

71
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

7
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

سامانه پیشنهاددهنده ترکیبی با کمک واریانس رتبه بندی اقلام

صفحات

 صفحه شروع 147 | صفحه پایان 162

چکیده

 مدل نزدیک ترین همسایگی (KNN) و سامانه های توصیه گر مبتنی بر این مدل (KRS) از موفق ترین سامانه های توصیه گر در حال حاضر در دسترس هستند. این روش ها شامل پیش بینی رتبه بندی یک آیتم بر اساس میانگین رتبه بندی آیتم های مشابه است. میانگین رتبه بندی آیتم های مشابه, با در نظر گرفتن تشابه تعریف شده, میانگین امتیازی را به هر آیتم, به عنوان ویژگی به آن خواهد داد. در این مقاله KRS ایجاد شده با ترکیب رویکردهای زیر ارائه شده است: (الف) استفاده از میانگین و واریانس رتبه بندی اقلام به عنوان ویژگی های آیتم, برای یافتن موارد مشابه در (IKRS)؛ (ب) استفاده از میانگین و واریانس رتبه بندی کاربر به عنوان ویژگی های کاربر برای یافتن کاربران مشابه با KRS کاربرپسند (UKRS)؛ (ج) استفاده از میانگین وزنی برای تلفیق رتبه بندی کاربران/آیتم های همسایه. (د) استفاده از یادگیری جمعی. سه روش پیشنهادی EVMBR, EWVMBR و EWVMBR-G در این مقاله پیشنهاد داده شده است. هر سه روش مبتنی بر کاربر بوده, که در آن ها از فاصله VM به عنوان معیار تفاوت بین کاربران/آیتم ها, برای یافتن کاربران/آیتم های همسایه استفاده و سپس به ترتیب از میانگین غیروزنی, وزنی و وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین, برای پیش بینی رتبه بندی کاربر ناشناخته استفاده می شوند. هر سه روش مبتنی بر کاربر بوده, که در آن ها از فاصله VM به عنوان معیار تفاوت بین کاربران/آیتم ها, برای یافتن کاربران/آیتم های همسایه استفاده و سپس میانگین به ترتیب از میانگین غیروزنی, وزنی, وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین رتبه بندی, برای پیش بینی رتبه بندی کاربر ناشناخته استفاده می شوند. ارزیابی های تجربی نشان می دهد که سه روش پیشنهادی EVMBR, EWVMBR و EWVMBR-G, که از یادگیری جمعی استفاده می کند, دقیق ترین روش در بین روش های ارزیابی شده است. بسته به مجموعه داده, روش پیشنهادی EWVMBR-G موفق به دست یابی به بیست تا سی درصد خطای مطلق کمتر از MBR اصلی شده است. از نظر زمان اجرا, روش های پیشنهادی قابل مقایسه با MBR و بسیار سریع تر از روش slope-one و روش های توصیه گر KNN مبتنی بر کسینوس یا پیرسون هستند.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button