دوره 19، شماره 3 - ( 9-1401 )                   جلد 19 شماره 3 صفحات 162-147 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Bahrani P, Minaei Bidgoli B, Parvin H, Mirzarezaee M, Keshavarz A. Hybrid Recommender System Based on Variance Item Rating. JSDP 2022; 19 (3) : 10
URL: http://jsdp.rcisp.ac.ir/article-1-1244-fa.html
بحرانی پیام، مینایی بیدگلی بهروز، پروین حمید، میرزارضایی میترا، کشاورز احمد. سامانه پیشنهاددهنده ترکیبی با کمک واریانس رتبه‌بندی اقلام. پردازش علائم و داده‌ها. 1401; 19 (3) :147-162

URL: http://jsdp.rcisp.ac.ir/article-1-1244-fa.html

سامانه پیشنهاددهنده ترکیبی با کمک واریانس رتبه‌بندی اقلام
پیام بحرانی ، بهروز مینایی بیدگلی ، حمید پروین* ، میترا میرزارضایی ، احمد کشاورز
دانشگاه آزاد اسلامی واحد نورآباد ممسنی، فارس
چکیده:   (1291 مشاهده)
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 VM  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 VM  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.
شماره‌ی مقاله: 10
واژه‌های کلیدی: K-نزدیک‌ترین همسایه، رتبه‌بندی، واریانس، سیستم پیشنهاددهنده
متن کامل [PDF 1101 kb]   (628 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1400/4/4 | پذیرش: 1401/5/2 | انتشار: 1401/10/4 | انتشار الکترونیک: 1401/10/4
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.