پیشینه تحقیق سیستمهای توصیه گر و تکنیکها و روشهای پیاده سازی آن دارای ۵۴ صفحه می باشد فایل پیشینه تحقیق به صورت ورد word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.
فصل اول: مقدمهای بر انواع سیستمهای توصیهگر ۶
۱-۲- سیستمهای توصیه گر ۶
۱-۳- انواع سیستمهای توصیهگر از لحاظ عملکردی ۷
۱-۴- مزایا و اهمیت یک سیستم توصیه گر کارآمد ۷
۱-۵- معایب و مشکلات کلی سیستمهای توصیه گر ۸
۱-۶- انواع رویکردها و مدلهای موجود در زمینه پیادهسازی سیستمهای توصیهگر ۹
۱-۷- تشریح و بیان مسئله ۱۳
۱-۸- فصول نوشتار ۱۴
فصل دوم: تکنیکها و روشها در پیاده سازی سیستمهای توصیه گر ۱۴
۲-۱- مقدمه ۱۴
۲-۲- پالایش گروهی (Collaborative Filtering) ۱۵
۲-۲-۱- پالایش گروهی مبتنی بر حافظه(Memory Based) ۱۷
۲-۲-۱-۱- روش پالایش گروهی مبتنی بر آیتم ۱۹
۲-۲-۱-۲- امتیازدهی به صورت پیش فرض ۲۰
۲-۲-۱-۳- تشدید حالت(Case Amplification) ۲۰
۲-۲-۲- پالایش گروهی مبتنی بر مدل(Model Based) ۲۱
۲-۳- پالایش محتوایی (Content Based Filtering) ۲۲
۲-۴- تکنیکهای ترکیبی ۲۳
۲-۵- سیستمهای توصیه گر مبتنی بر رابطه اعتماد میان کاربران ۲۴
۲-۵-۱- چگونگی کارکرد سیستم توصیه گر مبتنی بر اعتماد ۲۶
۲-۵-۲- مزایا و معایب ۲۷
۲-۵-۳- انتشار اعتماد و تجمیع اعتماد ۲۹
۲-۶- چالش ها و محدودیتهای موجود ۲۹
۲-۶-۱- نقصان و کاستی اطلاعات ۳۰
۲-۶-۲- مشکل کاربران تازه وارد ۳۰
۲-۶-۳- کلاهبرداری و تقلب ۳۱
۲-۶-۴- پیچیدگیهای محاسباتی و زمانی ۳۲
۲-۷- معیارهای ارزیابی سیستمهای توصیه گر ۳۳
۲-۷-۱- خطای جذر میانگین مربعات (RMSE) ۳۳
۲-۷-۲- معیار درصد پوشش ۳۴
۲-۷-۳- معیار دقت ۳۴
۲-۷-۴- معیار F-Measure ۳۵
فصل سوم:مروری بر مطالعات و تحقیقات پیشین ۳۵
۳-۱- مقدمه ۳۵
۳-۲- مرور کارهای گذشته ۳۶
۳-۲-۱- مدل MoleTrust ۳۸
۳-۲-۲- مدل TidalTrust ۴۰
۳-۲-۳- مدل دانه سیب ۴۱
۳-۲-۴- مدل ارائه شده توسط Anderson ۴۱
۳-۲-۵- مدل ارائه شده توسط O’Donovan ۴۲
۳-۲-۶- مدل TrustWalker ۴۲
۳-۲-۶-۱- ساختار مدل TrustWalker ۴۳
۳-۲-۶-۲- تشابه آیتم ها ۴۴
۳-۲-۶-۳- خصوصیات ویژه مدل TrustWalker ۴۴
۳-۲-۶-۳-۱- فراگیری و عمومیت مدل ۴۵
۳-۲-۶-۳-۲- اطمینان به نتایج حاصل ۴۶
۳-۲-۶-۳-۳- تفسیرپذیری و قابل توضیح بودن نتایج ۴۶
۳-۲-۶-۴- نمایش ماتریسی مدل TrustWalker ۴۷
۳-۲-۶-۵- نتیجه گیری در خصوص مدل TrustWalker ۴۷
فهرست منابع و مراجع : ۴۸
[۱] K. Stølen, W. H. Winsborough, F. Martinelli, and F. Massacci, Trust Management: 4th International Conference, iTrust 2006, Pisa, Italy, May 16-19, 2006, Proceedings, vol. 4. Springer, 2006.
[۲] A. Jøsang, “A logic for uncertain probabilities,” Int. J. Uncertainty, Fuzziness Knowledge-Based Syst., vol. 9, no. 3, pp. 279–۳۱۱, ۲۰۰۱٫
[۳] R. J. Mooney and L. Roy, “Content-based book recommending using learning for text categorization,” in Proceedings of the fifth ACM conference on Digital libraries, 2000, pp. 195–۲۰۴٫
[۴] M. Pazzani and D. Billsus, “Learning and revising user profiles: The identification of interesting web sites,” Mach. Learn., vol. 27, no. 3, pp. 313–۳۳۱, ۱۹۹۷٫
[۵] A. Rettinger, M. Nickles, and V. Tresp, “A statistical relational model for trust learning,” in Proceedings of the 7th international joint conference on Autonomous agents and multiagent systems-Volume 2, 2008, pp. 763–۷۷۰٫
[۶] S. Wasserman and K. Faust, Social network analysis: Methods and applications, vol. 8. Cambridge university press, 1994.
[۷] J. Scott, Social network analysis. SAGE Publications Limited, 2012.
[۸] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Item-based collaborative filtering recommendation algorithms,” in Proceedings of the 10th international conference on World Wide Web, 2001, pp. 285–۲۹۵٫
[۹] R. M. Bell, Y. Koren, P. Ave, and F. Park, “Scalable collaborative filtering with jointly derived neighborhood interpolation weights,” in Data Mining, 2007. ICDM 2007. Seventh IEEE International Conference on, 2007, pp. 43–۵۲٫
[۱۰] H. Ma, H. Yang, M. R. Lyu, and I. King, “Sorec: social recommendation using probabilistic matrix factorization,” in Proceedings of the 17th ACM conference on Information and knowledge management, 2008, pp. 931–۹۴۰٫
[۱۱] D. Goldberg, D. Nichols, B. M. Oki, and D. Terry, “Using collaborative filtering to weave an information tapestry,” Commun. ACM, vol. 35, no. 12, pp. 61–۷۰, ۱۹۹۲٫
[۱۲] T. Bogers and A. Van den Bosch, “Collaborative and content-based filtering for item recommendation on social bookmarking websites,” Submit. to CIKM, vol. 9, 2009.
تعاریف متفاوتی برای سیستمهای توصیهگر ارائه شدهاست. عدهای از محققان سیستمهای توصیهگر را زیرمجموعهای از سیستمهای تصمیمیار[۱] میدانند و آنها را سیستمهای اطلاعاتی[۲] تعریف میکنند که توانایی تحلیل رفتارهای گذشته و ارائه توصیههایی برای مسائل جاری را دارا میباشند[۱]. به زبان سادهتر در سیستمهای توصیهگر تلاش بر این است تا با حدس زدن شیوه تفکر کاربر به کمک اطلاعاتی که از نحوه رفتار وی یا کاربران مشابه و نظرات آنها داریم مناسبترین و نزدیکترین کالا یا خدمت به سلیقه او را شناسایی و پیشنهاد کنیم. این سیستمها در حقیقت سعی دارند فرایندی را که ما در زندگی روزمره خود بکار میبریم و طی آن تلاش میکنیم تا افرادی با سلایق نزدیک به خود را پیدا کرده و از آنها در مورد انتخابهایمان نظر بخواهیم را شبیه سازی نمایند.
به صورت کلیتر سیستمهای توصیهگر زیر مجموعهای از سیستمهای پالایش اطلاعات[۳]هستند که وظیفه آنها جستجو برای بیان پیشبینی امتیاز(درجه)[۴] یا بیان سلایق و ترجیحات[۵] یک کاربر در خصوص یک موضوع[۶] ( مانند موسیقی، کتاب یا فیلم) یا یک عنصر اجتماعی مانند افراد و گروهها میباشد[۲]–[۴].
سیستمهای توصیه گر به لحاظ نحوه ارائه نتایج و پیشنهادات به کاربران خود، به شیوه های متفاوتی عمل می نمایند که در ذیل به پارهای از آنها به صورت فهرست وار اشاره میگردد:
پیشنهاد لیستی متشکل از n کالا یا محصول برتر (معمولا n برابر ۱۰ است )
پیشنهادات فصلی و موردی مانند پیشنهاد یک هتل دارای تخفیف جهت تعطیلات
بیان درصد علاقهمندی سایر کاربران به یک محصول خاص، به عنوان مثال: “۸۰ درصد کاربران از خرید این محصول راضی بوده اند ”
پیش بینی میزان امتیازی که یک کاربر به یک محصول خاص خواهد داد
در این تحقیق سعی در ایجاد مدلی است که بتواند نظر و امتیاز تخصیص داده شده توسط یک کاربر خاص به یک محصول یا آیتم خاص را پیشبینی نماید.
طبق آمار رسمی ارائه شده توسط سایت فروش کتاب Amazon[7] ، ۳۵ درصد از فروش این سایت به واسطه وجود سیستم توصیهگر و ارائه پیشنهادات مناسب به علاقهمندان کتاب می باشد[۵] همچنین سایت اجاره فیلم Netflix برای بهبود ۱۰ درصدی دقت سیستم توصیهگر خود موسوم به Cinematch[8]جایزه ای بالغ بر یک میلیون دلار برای محققان در نظر گرفته است. هر دو مثال فوق نشان دهنده اهمیت سیستمهای توصیه گر و نقش آنها در تجارت میباشد. در ذیل تعدادی از دلایل اهمیت وجود یک سیستم توصیهگر مناسب و کارآمد در یک سایت تجارت الکترونیک برشمرده میگردد:
راهنمایی کاربران و بازدید کنندگان در انتخاب کالا ، محصول یا خدمت مناسب
تسریع در زمان انتخاب کالای مورد نظر مشتری مانند انتخاب یک فیلم مناسب در میان میلیونها فیلم موجود در سایت
جمع آوری اطلاعات ارزشمند در خصوص سلایق و رفتار کاربران جهت برنامه ریزیهای آتی
جذب مشتریان و بازدید کنندگانی که برای اولین بار است از سایت بازدید میکنند
افزایش میزان رضایتمندی کاربران و طبیعتا افزایش سود سرمایه گذاران تجاری
ایجاد احساس اطمینان در مشتری با ارائه آمار نظرات سایر کاربران
بهبود معیارهای سنجش رتبه و درجه پورتال یا سایت
توجه به جنبههای روانشناختی کاربران
افزایش آگاهی کاربر در زمینه مورد علاقه وی
در مقابل مزایای بیان شده، این سیستمها دارای نواقص و محدودیتهایی نیز می باشند که در ذیل به پاره ای از آنها اشاره میشود:
عدم امکان بررسی همه جانبه مشخصات کاربران و عدم ارائه یک جواب کاملا منطبق و سازگار با نظر ایشان
عدم اطمینان مشتریان به نظرات و پیشنهادات ارائه شده توسط سیستم
عدم وجود دقت مطلوب در پیشنهادات ارائه شده توسط سیستم
عدم پاسخگویی در برخی شرایط خاص، خصوصا در مورد کاربران تازه وارد یا مشتریان جدید (در فصل آینده در خصوص این مورد توضیحات کاملتری ارائه میگردد)
[۱] Decision Support Systems(DSS)
[۲] Information Systems(IS)
[۳] Information Filtering Systems
[۴] Ratings
[۵] Preferences
[۶] Item
تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ را پرداخت نمایید.
ارسال نظر