استفاده ازکاربرانی با دقت پیشگویی بالا در سیستم های فیلترینگ اشتراکی

۷.۰۰۰ تومان

توضیحات

بر اساس سوالات مکرر دانشجویان در مورد سیستم های توصیه گر ، پایانامه زیر را برای آشنایی بیشتر و کارکرد سیستم های توصیه گر برای دانلود قرار داده در ضمن مقالات و وپایانامه هایی که از سایتهای دیگر خریداری شد در این سایت برای دانلود گذاشته شده موفق باشید.

-۳- سیستم­های پیشنهادگر

……………………………………………………………………………..

………………………………………………………………………………

سیستم­های پیشنهادگر برای انتخاب و ارائه­ اطلاعات مورد نیاز کاربران نقش قابل توجهی را ایفا نموده­اند. این سیستم­ها می­توانند حتی بدون اینکه کاربر درخواست جستجو بدهد تعدادی از اقلام را به او پیشنهاد یا اطلاعات مورد نیازش را به او ارائه دهد. اقلام می­توانند فیلم، موزیک، صفحه­ وب و… باشند (جدول شماره­ ۱). همچنین کاربر پیشنهاداتی را از طریق یک جستجوی هوشمندانه دریافت خواهد کرد. بنابراین تاثیر به سزایی در صرفه جویی زمان  و دست یابی به هدف مورد نظر کاربر دارد. زیرا از این طریق می­تواند از میان این حجم بالا آن قسمت که مورد نیازش است را در اختیار داشته باشد. بدین ترتیب از سردرگم شدن کاربر هنگام تصمیم­گیری جلوگیری به عمل می­آید.

جدول شماره ­۱ : نمونه­هایی از سیستم­های پیشنهادگر و اقلام پیشنهادی آنها

SYSTEM Content
Amazon Books, CDS, Others
Epinions Books, CDS, Others
MovieLens Movie
Netflix DVD
Yahoo! Music Music
Grundy Books
Video Recommender Video
Ringo Music
PHOAKS Textual Information
Jester Jokes
Fab System Web page

با افزایش روز افزون اطلاعات، نیاز به وجود این سیستم­ها بیشتر احساس شده است. این سیستم­­ها پیشنهادات را با استفاده از انواع مختلف دانش و داده جمع آوری شده در مورد کاربران و اقلام و همچنین بررسی تراکنش­هایی مانند بازخوردی[۱] که کاربران در گذشته ایجاد کرده­اند تولید می­کنند. در ساده­ترین فرم، این پیشنهادات به صورت یک لیستی که بر اساس علائق و نیازهای کاربر مرتب شده به او عرضه خواهد شد.

در [۳] سیستم­های پیشنهادگر براساس فیلترینگ اشتراکی[۲]، محتوا[۳]، آمارگیری[۴]، سود[۵]، دانش[۶]،و ترکیبی[۷]  کلاس­بندی شده­­اند.

۱-۳-۱- سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی

فیلترینگ اشتراکی یکی از رایج­ترین راهکارها در سیستم­های پیشنهادگر است .[۴] این راهکار اقلامی که کاربران مشابه با کاربر فعال در گذشته به آنها علاقه داشته­اند را به او پیشنهاد می­کند. شباهت بین کاربران بر اساس نحوه­ امتیاز­دهی­شان در گذشته محاسبه می­شود.

این پایان نامه بر اساس این نوع از سیستم­های پیشنهادگر می­باشد که در فصل دوم به تفصیل توضیح داده خواهد شد.

۱-۳-۲- سیستم پیشنهادگر محتوا  محور

 

یکی از پر کاربردترین راهکارها در سیستم­های پیشنهادگر روش محتوا محور می­باشد.  سیستم­های محتوا محور بر اساس ویژگی­های اقلام تعریف می­شوند. آنها بررسی می­کنند که کاربر در گذشته چه اقلامی مورد علاقه­اش بوده، سپس اقلام مشابه را به او پیشنهاد می­دهند. مثلا اگر کسی در گذشته به فیلمی از نوع کمدی امتیار مثبت داده است این سیستم در آینده فیلم­هایی از این نوع را به او پیشنهاد می­کند. از آنجا که روش پیشنهادی در این پایان نامه از روش محتوا محور استفاده می کند، در فصل پنجم به طور مفصل در مورد سیستم پیشنهادگر محتوا محور بحث خواهد شد.

۱-۳-۳- سیستم پیشنهادگر بر اساس آمارگیری

تکنیک پیشنهاد براساس آمارگیری مبتنی بر اطلاعات آماری کاربران می­باشد. داده­هایی که در نمایه­[۸] کاربر وجود دارد مانند جنسیت، سن، وضعیت خانوادگی و … نمونه­هایی از اطلاعات آماری کاربر می­باشد. کاربران بر اساس خصوصیاتشان کلاس بندی می­شوند و پیشنهادات بر اساس این کلاس­ها صورت می­پذیرد.

۱-۳-۴- سیستم پیشنهادگر بر اساس سود

سیستم­های بر اساس سود،  تابع سود[۹] که توسط کاربر تولید می­شود را به کار می­برند. به عنوان مثال درقالب پرسشنامه این کار صورت می­پذیرد. سپس بر اساس اینکه هر قلم[۱۰] چه مقدار سود برای کاربر دارد پیشنهادات صورت می­گیرد. این نوع از سیستم­ها تکنیک­های ارضای محدودیت[۱۱] را به کار می­برند تا بهترین قلم را پیشنهاد کنند.

۱-۳-۵- سیستم پیشنهادگر بر اساس دانش

سیستم­های پیشنهاد­گر بر اساس دانش، از دانشی که از خصوصیات اقلام و کاربران استخراج می­گردد  بهره برداری می­کنند. آنها بررسی می­کنند که چطور یک قلم به­خصوص می­تواند نیازهای کاربر را بر آورده سازد. در ساده­ترین فرم، دانش مذکور می­تواند در فرم درخواست توسط کاربر تولید شود.

۱-۳-۶- سیستم پیشنهادگر ترکیبی

سیستم­های پیشنهادگر ترکیبی دو یا چند تکنیک را ترکیب می­کنند  تا کارایی سیستم پیشنهادگر را افزایش دهند. مثلا دو تکنیک A وB  را ترکیب می­کنند که از مزایای تکنیک اول برای بر طرف سازی معایب تکنیک دوم استفاده کنند. مثلا متد فیلترینگ اشتراکی با مشکل قلم جدید و کاربر جدید مواجه می­باشد. یعنی قلمی که تا کنون هیچ کس به آن امتیازی نداده است را نمی­تواند پیشنهاد کند. در عین حال متد بر اساس محتوا به دلیل اینکه پیشنهادات بر اساس محتوا و ویژگی­های اقلام می­باشد نه امتیازات داده شده به آنها، چنین مشکلی را ندارد. پس می­توان از ترکیب این دو متد در برطرف کردن نواقص یکدیگر استفاده نمود.

[۱] Feedback

[۲] Collaborative Filtering

[۳] Content-based

[۴] Demographic-based

[۵] Utility-based

[۶] Knowledge-based

[۷] Hybrid

[۸] Profile

[۹] Utility Function

[۱۰] Item

[۱۱] Constraint Satisfaction

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “استفاده ازکاربرانی با دقت پیشگویی بالا در سیستم های فیلترینگ اشتراکی”

نشانی ایمیل شما منتشر نخواهد شد.