light box
امتیاز 3.80 خوشه بندی تراستور – سیستم پیشنهاد دهنده بهبود یافته – روابط اجتماعی">

عنوان فارسی مقاله: خوشه بندی تراستور با یک سیستم پیشنهاد دهنده بهبود یافته بر اساس روابط اجتماعی

چکیده

با توجه به اطلاعاتی که در دنیای مدرن وجود دارد، اهمیت سیستم‌های توصیه شده (RS) که موارد مربوط به کاربران را توصیه می‌کنند، افزایش یافته است. اکثریت طرح‌های موجود RS از تاریخچه پیشین ارزیابی مصرف کنندگان برای شناسایی اقلام مورد نظر استفاده می‌کنند(خوشه بندی تراستور بایک سیستم پیشنهاددهنده). با این حال، RS های فعلی از مشکل شروع سرد رنج می‌برند و هنگامی که کاربران یا موارد جدید ظاهر می‌شوند، عملکرد آن‌ها ناپایدار است. برای رفع مشکل راه اندازی سرد، نوع جدیدی از راه حل که از ویژگی‌های شبکه اجتماعی بهره برداری می‌شود پیشنهاد شده است. بسیاری از این RS های اجتماعی تجزیه و تحلیل روابط حس اعتماد و اعتماد به نفس برای کشف ویژگی‌های  اجتماعی مشترک بین اعتماد و امدادگر. از آنجایی که روابط اجتماعی بین اعتماد و اعتماد و اطمینان به کار گرفته می‌شود، اما متضاد نیست، تضمین نمی‌شود که یکی از وکلای دارای ویژگی‌های مشترک با اعتماد آنها باشد. علاوه بر این، طرح‌های موجود براساس فرض استقلال بین اعتمادسواران که از همان وکیل پیروی می‌کنند، استفاده می‌کنند و بنابراین نمی‌توانند فاکتورهای ذاتی را که توسط اعتماد محسوب می‌شوند شناسایی کنند(خوشه بندی تراستور بایک سیستم پیشنهاددهنده).

ما معتقدیم اعتمادکنندگان که از همان امید پیروی می‌کنند ویژگی‌های مشترک دارند. براساس فرضیه‌ای که پایایی که اعتماد یک طرفه را با هم طرز تلقی به اشتراک می‌گذارند، پیشنهاد می‌کنیم ویژگی جدید پنهان ماتریکس S را بسازیم و دو الگوریتم جدید RS را توسعه دهیم که این ویژگی‌های پنهان را یاد بگیرند. ما ارزیابی عملکرد گسترده را با استفاده از مجموعه داده‌های دنیای واقعی انجام می‌دهیم و متوجه می‌شویم که روش‌های پیشنهادی ما نه تنها دقیق‌تر از طرح‌های موجود بلکه نشان دهنده گسترش پذیری بالقوه است.

کلیه مقالات مرتبط را میتوانید در بخش ترجمه مقالات فناوری اطلاعات ملاحظه کنید.

Title: Trustor clustering with an improved recommender system based on social relationships

Abstract: 

As we face a deluge of information in the modern world, the importance of recommender systems (RSs) that recommend relevant items to users has increased. The majority of existing RS schemes observe the prior ratings history of consumers to identify preferred items. However, current RSs suffer from the cold start problem, and their performance is dismal when new users or items appear. In order to address the cold start problem, a new type of solution that exploits social network features has been proposed. Many such social RSs analyze trustor–trustee relationships to discover latent social features shared between trustor and trustee. Since social relationships between trustors and trustees are directed, but not reciprocal, it is not guaranteed that a trustee has features in common with its trustors. Moreover, existing schemes are based on the assumption of independence between trustors who follow the same trustee, and therefore fail to recognize quintessential factors shared by the trustors. We posit that trustors who follow the same trustee have features in common. Based on the assumption that trustors who endorse the same trustee share similar tastes, we propose a new latent feature called Matrix S, and develop two novel RS algorithms that learn these latent features. We conduct an extensive performance evaluation using large scale real-world datasets, and observe that our proposed methods are not only more accurate than existing schemes but also show potential extensibility.

ثبت دیدگاه

    • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
    • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
    • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

برای ارسال دیدگاه شما باید وارد سایت شوید.

محصولات مشابه
قیمت‌های مسکن و ریسک اعتبار: شواهدی از ایالات متحده
خـریـد محـصـول
نقش یادگیری مشارکتی در بهبود مهارت‌های ارتباطات کلامی دانشجویان یادگیرنده EFL
خـریـد محـصـول
شکستن مقاومت میزبان توسط نیای تکاملی مستقل ویروس رگبرگ زرد نکروتیک چغندر قند
خـریـد محـصـول
واکنش پروسکایت ها به عنوان مبدل‌های خودرو
خـریـد محـصـول
ویژگی‌های انتقال منفذی و انتشار مؤثر مونولیت سرامیکی برای مبدل کاتالیزوری خودرو
خـریـد محـصـول
مبدل ترافیکی و کاتالیستی- آلایندگی اتمسفری مربوطه در منطقه شهری ریو دوژانیرو
خـریـد محـصـول
مکانیسم بازیابی فلزات گروه پلاتینوم از مبدل‌های کاتالیستی در سیستم‌های استفاده شده در اگزوز
خـریـد محـصـول
مطالعه تفضیلی اکسایش کاتالییستی HCHO و co در کاتالیزور Mn0.75Co2.25O4
خـریـد محـصـول
رفتار سه سویه فازهای ترکیبی و جداگانه پلاتینوم، پالادیوم و رادیوم در ترکیب گازی کامل
خـریـد محـصـول
مطالعه در مقیاس بنچ گاز مصنوعی یک مبدل کاتالیزوری ۴ راهی: اکسایش کاتالیزوری
خـریـد محـصـول
ثبت اختراع یا انتشار مقاله

ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

برو بالا