این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۰، شماره ۱، صفحات ۵۹-۷۸
عنوان فارسی روش تکاملی بهبود انتخاب الگوریتم در سیستم های توصیه گر فیلترینگ مشارکتی
چکیده فارسی مقاله سیستم­ توصیه ­گر می­تواند به عنوان نرم ­افزاری که به افراد مناسب­ترین آیتم ­ها را پیشنهاد می­کنند، تعریف شود. این سیستم­ها به عنوان یک مشاور کار می کنند تا افراد را در یافتن محصولات مورد علاقه­ شان راهنمایی کنند. امروزه برای پیاده ­سازی سیستم­های توصیه ­گر، الگوریتم های متفاوتی به­ کار برده می­شود؛ دسته ­ای از این الگوریتم­ها، الگوریتم­های فیلترینگ مشارکتی نام دارند که در آن­ها از شباهت کاربران یا شباهت روابط ایجاد شده توسط کاربران میان آیتم­ها برای تعیین پیشنهادها استفاده می­شود. روش­های فیلترینگ مشارکتی، می توانند آیتم­ هایی موردپسند کاربر اما با محتوای کاملا متفاوت نسبت به سلایق پیشین او پیشنهاد دهند که  این پیشنهادها براساس علایق کاربران مشابه به کاربر هدف تولید شده ­است. در روش­های فیلترینگ مشارکتی برای ایجاد مدل یا محاسبه شباهت بین کاربران، معیارها و توابع فاصله متفاوتی استفاده شده­ است و روش بهینه که بهترین لیست از پیشنهادها را تولید کند، همواره یکسان نیست و متناسب با داده­های موجود، این الگوریتم در میان الگوریتم­های فیلترینگ مشارکتی، تغییر می کند؛ به همین دلیل، انتخاب روش مناسب برای ایجاد یک سیستم توصیه­ گر، به چالشی برای طراحان این سیستم تبدیل شده است. در این مقاله روشی مبتنی بر الگوریتم ژنتیک برای برای اجتماع نتایج روش­های همسایه­ محور و انتخاب بهترین پیشنهادها از بین پیشنهادهای تولید شده توسط روشهای مختلف با معیارهای فاصله متفاوت  برای یک سیستم توصیه­ گر با هدف پیشنهاد N آیتم برتر ارائه شده است. در پیاده سازی این روش­ها ، علاوه بر محاسبه شباهت مستقیم کاربران، تعیین اطمینان غیر مستقیم کاربران نیز مد نظر قرار گرفته است تا اطلاعات موجود از ارتباط بین علایق کاربران افزایش یابد. روش پیشنهادی برای هر مجموعه داده،­ یک ترکیب از روش­های فیلترینگ مشارکتی ایجاد می­کند که علاوه بر در نظرگرفتن محدودیت­های زمانی در تولید آن، دقت مناسبی دارد.   این روش با روش­های فیلترینگ مشارکتی همسایه­ محور به­ صورت مجزا و همینطور سیستم­های مشابه با استفاده از دیتاست Movielens 100k  و 1M  Movielens  و  Hetrec2011 مقایسه شده است .آزمایش­ها برتری و توانایی تولید پیشنهادهای دقیق­تر به کاربران با این روش را نشان می­دهد.
کلیدواژه‌های فارسی مقاله سیستم توصیه گر، فیلترینگ مشارکتی، الگوریتم ژنتیک، توابع فاصله، اجتماع نتایج، اطمینان استنتاج شده.
عنوان انگلیسی An evolutionary approach for automating the selection of optimum Algorithm in Collaborative Filtering Recommender Systems
چکیده انگلیسی مقاله Recommender system can be defined as a software that suggests the most appropriate and closest item to the user's taste. They work as a counselor, behaving in such a way to guide people in the discovery of products of interest. Nowadays A great number of recommendation methods are used to implement a recommender system, a group of these algorithms are called collaborative filtering. These methods use the similarity between users or the similarity between items according to their user rating patterns for generating recommendations. Collaborative filtering algorithms can recommend the user, interesting items which are not similar to items she has rated before. These recommendations are generated according to the preferences of users with similar taste to the target user.  Different similarity functions and metrics have been used to create the model or compute the similarity in collaborative filtering methods. The best method which generates the most relevant items is not always the same and it may change according to the available data of users and items, because each approach has particularities and depends on the context to be applied. Thus, it becomes a hard task for system designers to manually select an appropriate method among the techniques. This article proposes an approach based on genetic algorithm for rank aggregation of memory based collaborative filtering methods and chooses the most relevant recommendations generated by different similarity techniques to create a Top-N recommender system. In order to implement these techniques, in addition to computing the similarity between users, inferred trust is also computed to increase the amount of available information about relations between user interests. The final method proposes a combination of collaborative filtering techniques for each data set, which in addition to considering time limits, has an acceptable precision for making recommendations. The proposed method has been compared against memory based collaborative filtering methods and similar methods. Experiments were performed using 1M MovieLens and 100k MovieLens and HetRec2011 data sets. The results show that the methodology proposed in this paper performs better and has a higher precision in generating recommendations for users than any of similar algorithms.
کلیدواژه‌های انگلیسی مقاله recommender systems, collaborative filtering, genetic algorithm, similarity metrics, rank aggregation, inferred trust.
نویسندگان مقاله مژده رباطی انارکی | mojdeh robati anaraki


نوشین ریاحی | nooshin riahi


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2134-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات