كاهش مشكل پراكندگي داده ها در سيستم هاي توصيه گر

توضیحات

در اين رساله، سعي بر اين است كه مشكل پراكندگي داده ها، بدون نياز به اطلاعاتي مازاد بر ماتريس راي كاربران به آيتم ها كاهش داده شود. در اين راستا، دو رويكرد پيشنهاد شده است كه هر يك از آنها راهبرد متفاوتي را براي غني كردن اطلاعات در دسترس، دنبال نموده است. در رويكرد اول، يكي از الگوريتم هاي زيرمجموعه الگوريتم هاي فيلترينگ مشاركت جمعي، تحت عنوان الگوريتم شيب واحد، با معرفي و استفاده از آيتم هاي پيشگوي مجازي اصلاح شده است(سيستم توصيه گر، فيلترينگ مشاركت جمعي، شيب واحد، پراكندگي داده، معيار شباهت، آيتم پيشگوي مجازی) آيتم هاي پيشگوي مجازي، آيتم هايي هستند كه يا توسط كاربر فعال به آنها راي داده نشده است و يا اختلاف محبوبيت آنها با آيتم فعال به علت عدم وجود راي مشترك قابل محاسبه نمي باشد. در رويكرد دوم، با توسعه معيار شباهت جاكارد، يك معيار شباهت ابتكاري ساده مبتني بر نظريه مجموعه هاي فازي پيشنهاد شده است كه در شرايط پراكندگي داده ها، امكان محاسبه شباهت بين كاربران را از طريق محاسبه و تخمين راي كاربران به آيتم هايي كه فقط توسط يكي از آن ها داراي راي است فراهم مي آورد. نتايج آزمايش ها بر روي مجموعه داده هاي موويلنز و نتفليكس نشان دهنده كارايي بهتر روش هاي پيشنهادي در مقايسه با روش هاي پايه، به خصوص براي شرايط پراكندگي راي ها مي باشد(سيستم توصيه گر، فيلترينگ مشاركت جمعي، شيب واحد، پراكندگي داده، معيار شباهت، آيتم پيشگوي مجازی)…

تمامی تحقیقات و پایان نامه های موجود در سایت قابلیت شبیه سازی توسط تیم سیب دانش را دارد از جمله فعالیت های دیگر سیب دانش انجام پایان نامه، انجام شبیه سازی، انجام سمینار دانشجویی، انجام پاورپوینت دفاع، مقاله، دیتاست، ارائه تحقیقات علمی برای اخذ خدمت سربازی و دیگر تحقیقات علمی و غیره می باشد. لطفا از طریق راه های ارتباطی با ما در ارتباط باشید…