دوره 20، شماره 1 - ( مجله مهندسی برق و الکترونیک ایران - جلد 20 شماره 1 1402 )                   جلد 20 شماره 1 صفحات 66-59 | برگشت به فهرست نسخه ها


XML English Abstract Print


دانشگاه آزاد اسلامی، واحد قزوین
چکیده:   (773 مشاهده)
هدف سیستم‌های توصیه‌گر معرفی آیتم‌هایی به کاربران است که می‌تواند موردعلاقه آنها باشد. یکی از چالش‌های اصلی که عملکرد سیستم­‌های توصیه‌گر را تحت‌تاثیر قرار می‌دهد مشکل شروع سرد است. زمانی که کاربر یا آیتم جدیدی به مجموعه اضافه می‌شود، سیستم به دلیل عدم اطلاعات کافی نمی‌تواند پیشنهادهای مناسبی را ارائه کند. در این مقاله رویکردی ارائه می‌شود که در آن از داده‌­های رسانه‌های اجتماعی مانند توئیتر برای ایجاد یک پروفایلِ رفتاری استفاده می‌­شود. سپس با استفاده از تکنیک‌های یادگیری ماشین، پروفایل‌­های کاربران خوشه‌­بندی می‌­شوند. براساس این خوشه­‌بندی‌­ها پیش‌­بینی‌­هایی با استفاده از الگوریتم­های جنگل تصادفی و ارتقای گرادیان ایجاد می‌­شود. بنابراین کاربر مجبور نخواهد بود هیچ نوع داده‌ای را به طور صریح ارائه دهد و با کمک اطلاعات شبکه‌­های اجتماعی کاربران، مشکل شروع سرد کاهش می‌­یابد. بدین ترتیب که با این داده‌­ها، یک پروفایل کاربری ایجاد شده و به عنوان ورودی سیستم توصیه‌­گر استفاده می‌­شود. آزمایش‌­های متعددی انجام شد و در مقایسه با برخی از الگوریتم­‌های جدید شروع سرد، نتایج رضایت‌­بخش بود. در این مقاله به این نتیجه رسیده­‌ایم که فرایند خوشه‌­بندی میزان دقت عملکرد مدل­‌ها را بالا می‌­برد و میانگین خطای مطلق را کاهش می‌­دهد و همچنین الگوریتم ارتقای گرادیان نسبت به الگوریتم جنگل تصادفی از کارایی بهتری برخوردار است.
متن کامل [PDF 1071 kb]   (504 دریافت)    
نوع مقاله: پژوهشي | موضوع مقاله: الکترونیک
دریافت: 1400/7/24 | پذیرش: 1401/6/5 | انتشار: 1401/10/6

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است.