این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۷، شماره ۲، صفحات ۸۱-۹۴
عنوان فارسی ارائه‌ی یک سیستم پیشنهاد‌دهنده‌ی زمانی مبتنی بر تجزیه تنسور‌های اتصالی
چکیده فارسی مقاله سیستم‌های پیشنهاد‌دهنده با تحلیل الگوهای علایق کاربران، آیتم‌ها یا پیشنهاداتی متناسب با علایق کاربر به او ارائه می‌کنند. یک چالش اساسی در این سیستم‌ها این است که علایق کاربران ثابت نبوده و معمولا کاربران تمایل به تغییر علایق خود در طول زمان دارند. تطبیق سیستم‌های پیشنهاددهنده برای مدل کردن تکامل علایق و نیازهای کاربران که مدام درحال تغییر می‌باشند، باعث بهبود پیشنهادات ارائه شده به کاربر می‌گردد. در این مقاله با توسعه یک روش مدل‌سازی علایق پویای کاربر، یک سیستم پیشنهاد‌دهنده زمانی ارائه می‌کنیم. در این روش یک تابع کاهش زمانی برای هر کاربر معرفی می‌شودکه اهمیت علایق قبلی کاربران براساس نرخ تغییر علایق هر کاربر وزن گذاری‌شده و سپس این اطلاعات بهمراه اطلاعات استخراج شده‌ی مربوط به شباهت بین کاربران در طول زمان و داده‌های دموگرافی کاربران به ترتیب در دو تنسور و یک ماتریس مدل شده و با استفاده از تکنیک تجزیه تنسور- ماتریس‌های اتصالی، پویایی علایق کاربران استخراج و پیشنهادات شخصی مناسب با هر کاربر ارائه می‌‌شود. ارزیابی روش پیشنهادی روی دو مجموعه داده‌ی واقعی، بهبود دقت این روش را در پیشنهاد آیتم‌ها به کاربران نسبت به سایر روش‌های مقایسه شده و توانایی بهتر آن در برخورد با مشکل شروع سرد را نشان می‌دهد
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Temporal Recommendation System Based on Coupled Tensor Factorization
چکیده انگلیسی مقاله Recommender systems analyze the user's preference patterns and provide personalized recommendations of items that will suit a user's taste. An essential challenge in these systems is that user preferences are not static and users are likely to change their preferences over time. The adaptability of recommender systems to capture the evolving user′s preferences which are constantly changing, improves the accuracy of recommender systems. In this paper, we develop a model to capture the users' preference dynamics in a personalized manner. We introduce an individual time decay factor for each user according to the rate of his preference dynamics to weight the past user preferences and decrease gradually the importance of them. We exploit the users' demographics as well as the extracted similarities between users over time, in addition to the past weighted user preferences, in a developed coupled tensor-matrix factorization technique to provide the personalized recommendations. Our evaluation results on the two real-world datasets indicate that our proposed model is better and more robust than the competitive methods in term of recommendation accuracy and is more capable to cope with cold-start problem.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حمیدرضا طهماسبی |
دانشگاه آزاد اسلامی، واحد نیشابور، گروه مهندسی کامپیوتر، نیشابور، ایران

مهرداد جلالی |
گروه کامپیوتر، دانشکده مهندسی ، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران

حسن شاکری |
گروه کامپیوتر، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد مشهد

نشانی اینترنتی http://jscit.nit.ac.ir/article_82308_2120e9d5bf317e4a08737a674c700e31.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-1305120.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات