مقاله بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش گروهی با استفاده از شبکه های اجتماعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش گروهی با استفاده از شبکه های اجتماعی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش گروهی با استفاده از شبکه های اجتماعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش گروهی با استفاده از شبکه های اجتماعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش گروهی با استفاده از شبکه های اجتماعی :

تعداد صفحات:۸
چکیده:
سیستم های توصیه گر به طور وسیعی در سایت های تجارت الکترونیک مورد استفاده قرار می گیرند. هدف از این سیستم ها، کمک به کاربران در یافتن اقلام مورد نظرشان می باشد. یکی از موفق ترین الگوریتم های ایجاد پیشنهاد، روش پالایش گروهی است. پالایش گروهی به منظور پیشنهاد یک کالا به کاربر هدف، از سوابق امتیازدهی کاربران مشابه روی ان کالا استفاده می نماید. پالایش گروهی با همه کارایی ای که دارد از چند مشکل رنج می برد. از جمله محدودیت های پالایش گروهی می توان به مشکل شروع سرد، تنک بودن ماتریس رتبه دهی اشاره نمود. شروع سرد یعنی این که محصول جدیدی وارد سیستم شده و هنوز هیچ رتبه ای به این محصول داده نشده است. خلوت بودن یعنی این که در ماتریس قلم-کاربر تعداد رتبه هایی که وجود دارد نسبت به کل رتبه هایی که می تواند وجود داشته باشد بسیار کم است. در این مقاله، به منظور بهبود سیستم های توصیه گر در شرایطی که دارای مشکلات ذکر شده هستند، از داده های موجود در شبکه های اجتماعی استفاده شده است. اطلاعات موجود در شبکه های اجتماعی، شامل پروفایل و روابط بین کاربران می باشد. ابتدا کاربران بر اساس ماتریس رتبه دهی، خوشه بندی می شوند. سپس به منظور یافتن نزدیک ترین همسایه ها، اطلاعات مربوط به محتوای اقلام و ماتریس جدید ترکیب خواهد شد. برای ارزیابی مدل پیشنهادی از مجموعه داده ی ۱۰۰ هزارتایی مووی لنز استفاده شده است. نتایج نشان می دهد که مدل ارائه شده در هنگام مواجهه با مشکل شروع سرد و خلوت بودن ماتریس از دقت بالایی برخوردار است.