تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,954,399 |
تعداد دریافت فایل اصل مقاله | 15,625,001 |
ارائه یک سیستم توصیهگر ترکیبی برای تجارت الکترونیک | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقاله 17، دوره 45، شماره 4 - شماره پیاپی 74، اسفند 1394، صفحه 85-91 اصل مقاله (575.19 K) | ||
چکیده | ||
چکیده: رشد روزافزون تجارت الکترونیک در فضای مجازی باعث معرفی محصولات متنوع و زیادی از سوی شرکتهای فعال در این حوزه شده است. در چنین شرایطی انتخاب مناسب و بهینه محصولات از میان حجم انبوه اطلاعات ارائهشده برای کاربران کاری مشکل است. سیستمهای توصیهگر با توجه به ویژگیها، رفتار و علایق کاربران سعی میکنند بهترین و مناسبترین موارد را به کاربران خود پیشنهاد دهند. در این مقاله یـک سیـستم توصـیهگر ترکیبی بـا استفاده از دو روش پالایش گروهی و محدودیتمحور ارائه شده است که با توجه به استفاده از روش محدودیتمحور مشکل شروع سرد روش پالایش گروهی را برطرف کرده است. پایگاه دانش روش محدودیتمحور برای کاربران نیز با استفاده از قوانین استخراجشده از تعاملات کاربران همسایه کاربر هدف استخراج شده است که از این نظر هم مشکل جمعآوری پایگاه دانش را که بهصورت دستی زمان زیادی نیاز دارد برطرف نموده است. کارایی سیستم ارائهشده بر روی مجموعه داده Movielens در حوزه فیلم ارزیابی شده و نتایج نشان میدهد که روش ارائهشده کارایی بهتری نسبت به روش پالایش گروهی دارد. | ||
کلیدواژهها | ||
واژه های کلیدی: سیستم توصیهگر؛ پالایش گروهی؛ محدودیت؛ پایگاه دانش | ||
مراجع | ||
[1]G. Adomavicius and A. Tuzhilin, “Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions,” Knowledge and Data Engineering, vol. 17, pp. 734-749, 2005. [2]D. Jannach, M. Zanker, A. Felfering and G. Friedrich, Recommender System An Introduction: Cambridge University Press, 2011. [3]A. Bahrehmand and R. Rafeh, “Proposing a news metric for collaborative filtering,” Software Engineering and Applications, pp. 411-416, 2011. [4]G. M. Dakhel and M. Mahdavi, “Providing an effective collaborative filtering algorithm based on distance measures and neighbors' voting,” Computer Information Systems and Industrial Management Application, vol. 3, pp. 241-251, 2013. [5]R. Rafeh and A. Bahrehmand, “An adaptive approach to deal with unstable behavior of users in collaborative filtering system,” Information Science, vol. 3, pp. 205-223, 2012. [6]A. Felfering, G. Friedrich, D. jannach and M. Zanker, “Developing constraint-based recommenders,” in: Recommender System Handbook, Springer, pp. 187-226, 2010. [7]M. Zanker, M. Aschinger and M. Jessenitsching, “Constraint-based personalized configuring of product and servic bunndles,” Mass Customization, 2010. [8]M. Zanker, “A Collaborative constraint-based meta level recommender,” RecSys, vol. 12, pp. 139-145, 2008. [9]A. Felfering and R. Burke, “Constraint-based recommender systems: technologies and research issues,” ACM, vol.4, pp. 147-157,2008. [10]N. Lathia, S. Hailes and L. Capra, “Evaluating collaborative filtering over time,” Advances in Artificial intelligence, vol. 2, pp. 121-125, 2009. [11]J. L. Herlocker and J. A. Konstan, “Evaluating hybrid recommender systems,” Information Systems, vol. 22, pp. 39-53, 2004. | ||
آمار تعداد مشاهده مقاله: 1,637 تعداد دریافت فایل اصل مقاله: 1,475 |