|
Title
|
ارائه يك سامانه پيشنهادگر حافظه پايه تركيبي با استفاده از هستان شناسي و محتوا
|
|
Type
|
Article
|
|
Keywords
|
سامانه پيشنهادگر، هستان شناسي، پالايش حافظه پايه، پالايش مدل پايه، خوشه بندي، KNN
|
|
Abstract
|
سامانه هاي پيشنهادگر در زمينه تجارت الكترونيك شناخته شده هستند. از اين گونه سيستم ها انتظار مي رود كه كالاها و اقلام مهمي (از جمله موسيقي و فيلم) را به مشتريان پيشنهاد دهند. در سامانه هاي پيشنهادگر سنتي از جمله روشهاي پالايش محتوا پايه و پالايش مشاركتي، چالش ها و مشكلات مهمي از جمله شروع سرد، مقياس پذيري و پراكندگي داده ها وجود دارد. اخيراً به كارگيري روش هاي تركيبي توانسته با بهره گيري از مزاياي اين روش ها با هم، برخي از اين چالش ها را تا حد قابل قبولي حل نمايند. در اين مقاله سعي مي شود روشي براي پيشنهاد ارائه شود كه تركيبي از دو روش پالايش محتوا پايه و پالايش مشاركتي (شامل دو رويكرد حافظه پايه و مدل پايه) باشد. روش پالايش مشاركتي حافظه پايه، دقت بالايي دارد، اما از مقياس پذيري كمي برخوردار است. در مقابل، رويكرد مدل پايه داراي دقت كمي در ارائه پيشنهاد به كاربران بوده اما مقياس پذيري بالايي از خود نشان مي دهد. در اين مقاله سامانه پيشنهادگر تركيبي مبتني بر هستان شناسي ارائه شده كه از مزاياي هر دو روش بهره برده و براساس رتبه بندي هاي واقعي، مورد ارزيابي قرار مي گيرد. هستان شناسي، توصيفي واضح و رسمي براي تعريف يك پايگاه دانش شامل مفاهيم (كلاس ها) در حوزه موضوعي، نقش ها (رابط ها) بين نمونه هاي مفاهيم، محدوديت هاي مربوط به رابطه ها، همراه با يك مجموعه از عناصر و اعضا (يا نمونه ها) است كه يك پايگاه دانش را تعريف مي كند. هستان شناسي در بخش پالايش محتوا پايه مورد استفاده قرار مي گيرد و ساختار هستان شناسي توسط تكنيك هاي پالايش مشاركتي بهبود مي يابد. در روش ارائه شده در اين پژوهش، عملكرد سيستم پيشنهادي بهتر از عملكرد پالايش محتوا پايه و مشاركتي است. روش پيشنهادي با استفاده از يك مجموعه داده واقعي ارزيابي شده است و نتايج آزمايشها نشان مي دهد روش مذكور كارايي بهتري دارد. همچنين با توجه به راه كارهاي ارائه شده در مقاله حاضر، مشخص شد، روش پيشنهادي دقت و مقياس پذيري مناسبي نسبت به سامانه هاي پيشنهادگري دارد كه صرفاً حافظه پايه (KNN) و يا مدل پايه هستند.
|
|
Researchers
|
Payam Bahrani (First researcher) , Behrouz Minaei-Bidgoli (Second researcher) , Hamid Parvin (Third researcher) , Mitra Mirzarezaee (Fourth researcher) , Ahmad Keshavarz (Fifth researcher)
|