ترجمه مقاله ویژگی های عدم تشابه در سیستم های توصیه گر – نشریه IEEE

عنوان فارسی: | ویژگی های عدم تشابه در سیستم های توصیه گر |
عنوان انگلیسی: | Dissimilarity Features in Recommender Systems |
تعداد صفحات مقاله انگلیسی : 8 | تعداد صفحات ترجمه فارسی : 23 |
سال انتشار : 2013 | نشریه : آی تریپل ای - IEEE |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 8098 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 1.21Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و فناوری اطلاعات |
گرایش های مرتبط با این مقاله: مدیریت سیستم های اطلاعات، مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات، هوش مصنوعی و اینترنت و شبکه های گسترده |
مجله: سیزدهمین کنفرانس بین المللی در داده کاوی - 13th International Conference on Data Mining |
دانشگاه: یونان |
کلمات کلیدی: سیستم های توصیه شده، ویژگی های ناهمگونی |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
خلاصه
مقدمه
اجتماعهای کاربر از طریق شباهتهای جفتی
استخراج ویژگی مبتنی بر عدم تشابه
بکارگیری در توصیهگرهای مبتنی بر ویژگی
کارهای مرتبط
فریم کاری استخراج ویژگی عدم تشابه
ایجاد پروفایلهای کاربر
تخمین شباهتهای کاربر
تخمین ویژگیهای عدم تشابه
فریک کاری طبقهبندی
تبدیل Naive Bayes مبتنی بر اجتماع
لیبلگذاری نمونه
آزمایشات
توصیف دیتاست
طبقهبندیکنندهها بعنوان توصیهگرها
متریکهای ارزیابی
تشکرات
Abstract
In the context of recommenders, providing suitable suggestions requires an effective content analysis where information for items, in the form of features, can play a significant role. Many recommenders suffer from the absence of indicative features capable of capturing precisely the users’ preferences which constitutes a vital requirement for a successful recommendation technique. Aiming to overcome such limitations, we introduce a framework through which we extract dissimilarity features based on differences in preferences of items’ attributes among users. We enrich the representations of items with the extracted features for the purpose of increasing the ability of a recommender to highlight the preferred items. In this direction, we incorporate the dissimilarity features into different types of classifiers/recommenders (C4.5 and lib-SVM) and evaluate their importance in terms of precision and relevance. Experimentation on real data (Yahoo! Music Social Network) indicates that the inclusion of the proposed features improves the classifiers’ performance, and subsequently the provided recommendations.
خلاصه
در زمینهی توصیهگرها، فراهم کردن پیشنهادهای مناسب نیازمند آنالیز محتوای مناسب است که در آن اطلاعات آیتمها که به صورت ویژگی هستند میتوانند نقش مهمی را داشته باشند. بسیاری از توصیهگرها از غیاب ویژگیهای اشارهکننده که قادر به ضبط اولویتهای کاربر به صورت خلاصه هستند (که یک ابزار حیاتی برای تکنیک توصیهی موفق را فراهم میکنند) رنج میبرند. برا مقابله با چنین محدودیتهایی، ما یک چارچوبی را ارائه میدهیم که از طریق آن ما ویژگیهای عدم تشابه را براساس تفاوتها در اولویتهای ویژگیهای آیتم میان کاربران استخراج میکنیم. برای افزایش توانایی توصیهگر در هایلایت کردن آیتمهای ارجح، ما نمایشهای آیتمها را با ویژگیهای استخراج شده غنی میسازیم که این برای افزایش توانایی توصیهگر در هایلایت کردن آیتمهای ارجح است. در این راستا، ما ویژگیهای عدم تشابه را در انواع مختلف توصیهگرها بکار میگیریم و اهمیت آنها را براساس دقت و ارتباط ارزیابی میکنیم. آزمایشات صورت گرفته روی دادههای واقعی نشان میدهند که گنجایش ویژگیهای فراهم شده باعث افزایش کارآیی طبقهبندی کنندهها میشود و به همین ترتیب باعث بهبود توصیههای فراهم شده نیز میشود.