Signal and Data Processing

fa سامانه پیشنهاددهنده ترکیبی با کمک واریانس رتبه‌بندی اقلام Hybrid Recommender System Based on Variance Item Rating مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">مدل نزدیک‌ترین همسایگی (KNN) و سامانه‌های توصیه‌گر مبتنی بر این مدل (KRS) از موفق‌ترین سامانه‌های توصیه‌گر در حال حاضر در دسترس هستند. این روش‌ها شامل پیش‌بینی رتبه‌بندی یک آیتم بر اساس میانگین رتبه‌بندی آیتم‌های مشابه است. میانگین رتبه‌بندی آیتم‌های مشابه، با در‌نظر‌گرفتن تشابه تعریف شده، میانگین امتیازی را به هر آیتم، به‌عنوان ویژگی به آن خواهد داد. در این مقاله KRS ایجاد‌شده با ترکیب رویکردهای زیر ارائه شده است: (الف) استفاده از میانگین و واریانس رتبه‌بندی اقلام به‌عنوان ویژگی‌های آیتم، برای یافتن موارد مشابه در (IKRS)؛ (ب) استفاده از میانگین و واریانس رتبه‌بندی کاربر به‌عنوان ویژگی‌های کاربر برای یافتن کاربران مشابه با KRS کاربرپسند (UKRS)؛ (ج) استفاده از میانگین وزنی برای تلفیق رتبه‌بندی کاربران/آیتم‌های همسایه. (د) استفاده از یادگیری جمعی. سه روش پیشنهادی EVMBR، EWVMBR و EWVMBR-G در این مقاله پیشنهاد داده شده است. هر سه روش مبتنی بر کاربر بوده، که در آن‌ها از فاصله <m:omath><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="bi"></m:sty></m:scr></m:rpr>VM</m:r></m:omath>  به‌عنوان معیار تفاوت بین کاربران/آیتم‌ها، برای یافتن کاربران/آیتم‌های همسایه استفاده و سپس به‌ترتیب از میانگین غیروزنی، وزنی و وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین، برای پیش‌بینی رتبه‌بندی کاربر ناشناخته استفاده می‌شوند. هر سه روش مبتنی بر کاربر بوده، که در آن‌ها از فاصله <m:omath><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="bi"></m:sty></m:scr></m:rpr>VM</m:r></m:omath>  به‌عنوان معیار تفاوت بین کاربران/آیتم‌ها، برای یافتن کاربران/آیتم‌های همسایه استفاده و سپس میانگین به‌ترتیب از میانگین غیروزنی، وزنی، وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین رتبه‌بندی، برای پیش‌بینی رتبه‌بندی کاربر ناشناخته استفاده می‌شوند. ارزیابی‌های تجربی نشان می‌دهد که سه روش پیشنهادی EVMBR، EWVMBR و EWVMBR-G، که از یادگیری جمعی استفاده می‌کند، دقیق‌ترین روش در بین روش‌های ارزیابی شده است. بسته به مجموعه داده، روش پیشنهادی EWVMBR-G موفق به دست‌یابی به بیست تا سی درصد خطای مطلق کمتر از MBR اصلی شده است. از نظر زمان اجرا، روش‌های پیشنهادی قابل مقایسه با MBR و بسیار سریع‌تر از روش slope-one و روش‌های توصیه‌گر KNN مبتنی بر کسینوس یا پیرسون هستند.</div> <div style="text-align: justify;">K-nearest neighbors (KNN) based recommender systems (KRS) are among the most successful recent available recommender systems. These methods involve in predicting the rating of an item based on the mean of ratings given to similar items, with the similarity defined by considering the mean rating given to each item as its feature. This paper presents a KRS developed by combining the following approaches: (a) Using the mean and variance of item ratings as item features to find similar items in an item-wise KRS (IKRS); (b) Using the mean and variance of user ratings as user features to find similar users with a user-wise KRS (UKRS); (c) Using the weighted mean to integrate the ratings of neighboring users/items; (d) Using ensemble learning. Three proposed methods EVMBR, EWVMBR and EWVMBR-G are presented in this paper. All three methods are user-based, in which VM distance is used as a measure of the difference between users / items, to find neighboring users / items, and then the weighted average is weighted, respectively. Also, weights based on the Gaussian combined covariance model are used to predict unknown user ratings. Our empirical evaluations show that the proposed method EVMBR, EWVMBR and EWVMBR-G, which utilizes ensemble learning, are the most accurate among the methods evaluated. Depending on the dataset, the proposed method EWVMBR-G managed to achieve 20 to 30 percent lower mean absolute error than the original MBR. In terms of runtime, the proposed methods are comparable to the MBR and much faster than the slope-one method and the cosine- or Pearson-based KNN recommenders.</div> K-نزدیک‌ترین همسایه, رتبه‌بندی, واریانس, سیستم پیشنهاددهنده K-Nearest Neighbor, Rating, Variance, Recommender System 147 162 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-279-17&slc_lang=fa&sid=1 Payam Bahrani پیام بحرانی bahranipayam@gmail.com 100319475328460011447 100319475328460011447 No Department of Computer Engineering, Science and Research branch, Islamic Azad University, Tehran, IR گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی Behrouz Minaei Bidgoli بهروز مینایی بیدگلی b_minaei@iust.ac.ir 100319475328460011448 100319475328460011448 No 2Department of Computer Engineering, Iran University of Science and Technology, Tehran, IR گروه مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران Hamid Parvin حمید پروین parvin@iust.ac.ir 100319475328460011449 100319475328460011449 Yes Department of Computer Engineering, Islamic Azad University of Noorabad Mamasani, Fars, Iran دانشگاه آزاد اسلامی واحد نورآباد ممسنی، فارس Mitra Mirzarezaee میترا میرزارضایی mirzarezaee@srbiau.ac.ir 100319475328460011450 100319475328460011450 No Department of Computer Engineering, Science and Research branch, Islamic Azad University, Tehran, IR گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی Ahmad Keshavarz احمد کشاورز a.keshavarz@pgu.ac.ir 100319475328460011451 100319475328460011451 No Department of Electrical Engineering, Persian Gulf University, Bushehr, IR گروه مهندسی برق، دانشگاه خلیج فارس