در دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستمهاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستمهاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتو چکیده کامل
در دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستمهاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستمهاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتوري براي تخمين اعتماد بين كاربران سيستمهاي پيشنهاددهنده ارائه ميشود. در طرح پيشنهادي، ابتدا كاربران سيستم براساس شباهت مبتني بر اطلاعات دموگرافيك و تاريخچه ارزشيابيها خوشهبندي ميشوند. براي تخمين ارزشيابي كاربر فعال به يك آيتم خاص، مقدار اعتماد بين او و ساير كاربران همخوشهاش با درنظرگرفتن فاكتورهاي زمان، مكان، و زمينه ارزشيابي محاسبه ميشود. براي اين منظور، ما الگوريتمي مبتني بر توزيع بتا معرفي ميكنيم. يك معيار مبتني بر درخت جديد براي محاسبه شباهت معنايي بين زمينهها مورد استفاده قرار ميگيرد. در نهايت، ارزشيابي كاربر فعال با استفاده از ميانگينگيري وزني تخمين زده ميشود كه مقادير اعتماد به عنوان وزن در ميانگينگيري منظور ميشوند. طرح پيشنهادي بر روي سه مجموعهداده مطرح اجرا شده و ارزيابي و مقايسه نشان ميدهد كه اين طرح نتايج بهتري از نظر ملاكهاي دقت و كارآمدي نسبت به روشهاي موجود ارائه ميكند.
پرونده مقاله
<p>سیستم‌های پیشنهاددهنده برای استخراج اطلاعات مفید از حجم انبوهی از دادههای پیچیده به کاربران کمک کرده و استفاده از آنها در سال‌های اخیر مورد توجه‌ی چشم‌گیری قرار گرفته است. در عمل معمولا ًعلایق کاربران و ویژگی‌های اقلام در این سیستم‌ها در چکیده کامل
<p>سیستم‌های پیشنهاددهنده برای استخراج اطلاعات مفید از حجم انبوهی از دادههای پیچیده به کاربران کمک کرده و استفاده از آنها در سال‌های اخیر مورد توجه‌ی چشم‌گیری قرار گرفته است. در عمل معمولا ًعلایق کاربران و ویژگی‌های اقلام در این سیستم‌ها در طول زمان تغییر می‌کنند و بنابراین تطبیق سیستم‌های پیشنهاددهنده با این نوع تغییرات ضروری بوده و به ارائه‌ی پیشنهاداتی دقیق‌تر به کاربران کمک می‌کند. با این وجود، اغلب سیستم‌های پیشنهاددهنده‌ی پویا، فقط مبتنی بر پویایی علایق کاربران در طول زمان هستند و تغییرات ویژگی‌های اقلام را در نظر نمی‌گیرند. در این مقاله، مدلی مبتنی بر تجزیه‌ی نامنفی ماتریس برای پیش‌بینی امتیازات کاربران به اقلام در سیستم‌های پیشنهاددهنده ارائه می‌شود که از هر دوی پویایی علایق کاربران و تغییرات ویژگی‌های اقلام در طول زمان استفاده می‌کند. در مدل پیشنهادی به منظور کاهش مشکل خلوتی داده‌ها، علاوه بر امتیازات کاربران از اطلاعات مربوط به اعتماد بین کاربران نیز استفاده می‌شود. نتایج ارزیابی بر روی مجموعه داده‌ی Epinions نشان می‌دهد که مدل پیشنهادی نسبت به روش‌های مورد مقایسه از دقت بهتری برخوردار می‌باشد.</p>
پرونده مقاله