ترجمه مقاله GeoSRS یک سیستم پیشنهاد دهنده اجتماعی هیبرید - نشریه الزویر

ترجمه مقاله  GeoSRS یک سیستم پیشنهاد دهنده اجتماعی هیبرید - نشریه الزویر
قیمت خرید این محصول
۲۹,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
سیستم GeoSRS: یک سیستم پیشنهاد دهنده اجتماعی هیبرید برای داده های مبتنی بر موقعیت جغرافیایی کاربر
عنوان انگلیسی
GeoSRS: A hybrid social recommender system for geolocated data
صفحات مقاله فارسی
35
صفحات مقاله انگلیسی
18
سال انتشار
2016
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده و pdf
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
3.176 در سال 2018
شاخص H_index مجله
76 در سال 2018
شاخص SJR مجله
0.779 در سال 2018
شناسه ISSN مجله
0306-4379
شاخص Q یا Quartile (چارک)
Q1در سال 2018
کد محصول
F1345
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن
درج ننشده است ☓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است ✓
بیس
است ✓
مدل مفهومی
دارد ✓
پرسشنامه
ندارد ☓
متغیر
دارد ✓
رشته های مرتبط با این مقاله
مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله
مدیریت سیستم های اطلاعات، اینترنت و شبکه های گسترده
مجله
سیستم های اطلاعاتی - Information Systems
دانشگاه
دانشگاه بارسلونا / دانشگاه پلی تکنیک کاتالونیا، اسپانیا
کلمات کلیدی
سیستم های پیشنهاد دهنده، متن کاوی، تکنیک Quadtree، خزش، شبکه های اجتماعی، شبکه اجتماعی مبتنی بر موقعیت کاربر
کلمات کلیدی انگلیسی
Recommender systems - Text mining - Quadtree - Crawling - Social networks - Location-based social network
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.is.2015.10.003
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
مقدمه
کارهای مربوطه
سیستم های پیشنهاددهنده اجتماعی مبتنی بر موقعیت کاربر
فرایند بازیابی داده ها
شبکه های اجتماعی به عنوان منابع داده های باز
بازیابی داده ها از شبکه های اجتماعی
الگوریتم Quadtree
مقیاس بندی الگوریتم Quadtree
مطالعه موردی: پلتفورم Foursquare
شرح سیستم GeoSRS
مرور اجمالی
شاخه مبتنی بر محتوا
شاخه همکاری
تنظیمات هیبرید
ارزیابی سیستم
مجموعه داده های نکات مهم رستوران Foursquare
پوشش پیشنهادات
صحت عملکرد
نتیجه گیری ها و کارآتی
نمونه چکیده متن اصلی انگلیسی
Abstract

We present GeoSRS, a hybrid recommender system for a popular location-based social network (LBSN), in which users are able to write short reviews on the places of interest they visit. Using state-of-the-art text mining techniques, our system recommends locations to users using as source the whole set of text reviews in addition to their geographical location. To evaluate our system, we have collected our own data sets by crawling the social network Foursquare. To do this efficiently, we propose the use of a parallel version of the Quadtree technique, which may be applicable to crawling/exploring other spatially distributed sources. Finally, we study the performance of GeoSRS on our collected data set and conclude that by combining sentiment analysis and text modeling, GeoSRS generates more accurate recommendations. The performance of the system improves as more reviews are available, which further motivates the use of large-scale crawling techniques such as the Quadtree.

نمونه چکیده ترجمه متن فارسی
چکیده:
ما سیستم GeoSRS را ارائه داده ایم که یک سیستم پیشنهاد دهنده هیبرید برای یک شبکه اجتماعی مشهور مبتنی بر موقعیت کاربر یا LBSN می باشد، که در آن کاربران قادرند مطالب مروری کوتاهی درباره محلهای مورد علاقه ای که دیدن کرده اند بنویسند. با استفاده از تکنیک های داده کاوی متن پیشرفته، سیستم ما موقعیت هایی را به کاربران توصیه کرده اند تا به عنوان مجموعه کاملی از مرور های متنی علاوه بر محل جغرافیایی شان استفاده بشود. برای ارزیابی سیستم خود، ما مجموعه داده های خودمان را با خزش در شبکه اجتماعی Foursquare جمع آوری کرده ایم. برای انجام موثر چنین کاری، ما استفاده از نسخه موازی تکنیک Quadtree را پیشنهاد کرده ایم که می تواند برای خزش/کاوش منابع توزیع شده فضایی دیگر کاربرد داشته باشد. سرانجام اینکه، ما عملکرد GeoSRS را روی مجموعه داده های جمع آوری شده مان مطالعه کرده ایم و نتیجه گرفته ایم که با ترکیب تحلیل گرایشات و احساسات و مدلسازی متنی، GeoSRS پیشنهادات صحیح تری را بوجود می آورد. عملکرد این سیستم جوری بهبود یافته است که مرورهای بیشتری در دسترس خواهند بود، و استفاده از تکنیک های خزش در مقیاس بزرگ را نظیر Quadtree بیشتر ترغیب خواهد کرد.

بدون دیدگاه