پیشینه تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی دارای ۴۱ 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.
۱-۱- مقدمه ۵
۱-۲- موتورهای جستجوگر ۵
۱-۲-۱- موتورهای جستجوگر پیمایشی ۶
۱-۲- ۲- فهرستهای تکمیل دستی ۶
۱-۲-۳- موتورهای جستجوگر ترکیبی ۷
۱-۲-۴- ابر جستجوگرها ۷
۱-۳- سیستمهای پیشنهادگر ۸
۱-۳-۱- سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۱۱
۱-۳-۲- سیستم پیشنهادگر محتوا محور ۱۱
۱-۳-۳- سیستم پیشنهادگر بر اساس آمارگیری ۱۱
۱-۳-۴- سیستم پیشنهادگر بر اساس سود ۱۱
۱-۳-۵- سیستم پیشنهادگر بر اساس دانش ۱۲
۱-۳-۶- سیستم پیشنهادگر ترکیبی ۱۲
۲-۲- مروری بر کارهای انجام شده در راستای فیلترینگ اشتراکی ۱۷
۲-۳- مبانی فیلترینگ اشتراکی ۲۲
۲-۴- وظایف فیلترینگ اشتراکی ۲۳
۲-۴-۱- پیشنهاد ۲۳
۲-۴-۲- پیشبینی ۲۳
۲-۵- دسته بندی متدهای فیلترینگ اشتراکی ۲۴
۲-۵-۱- فیلترینگ اشتراکی مبتنی بر حافظه ۲۴
۲-۵-۱-۱- فیلترینگ اشتراکی مبتنی بر حافظه با پیش بینی براساس کاربران ۲۵
۲-۵-۱-۲- فیلترینگ اشتراکی مبتنی بر حافظه با پیش بینی براساس اقلام ۲۵
۲-۵-۱- ۳- تفاوت فیلترینگ اشتراکی بر اساس کاربران و بر اساس اقلام ۲۶
۲-۵-۲- فیلترینگ اشتراکی مبتنی بر مدل ۲۶
۲-۶- نحوه تشخیص علائق کاربران ۲۷
۲-۶-۱- تشخیص علائق به صورت صریح ۲۷
۲-۶-۲- تشخیص علائق به صورت ضمنی ۲۸
۲-۷- محاسبه شباهت ۲۸
۲-۷-۱- معیار همبستگی پیرسون ۲۹
۲-۷-۲- معیار اندازهگیری کسینوس ۲۹
۲-۸- انتخاب همسایه ۳۰
۲-۸-۱- استفاده از حد آستانه ۳۰
۲-۸-۲- انتخاب تعداد ثابتی از همسایگان ۳۱
۲-۹- پیشبینی و تخمین رتبه ۳۱
۲-۹-۱- استفاده از امتیازهای خام ۳۱
۲-۹-۲- استفاده از امتیازهای نرمال شده ۳۲
۲-۱۰- مشکلات فیلترینگ اشتراکی ۳۲
۲-۱۰-۱- پراکنده بودن داده ۳۲
۲-۱۰-۲- مقیاس پذیری ۳۳
۲-۱۰-۳- اقلام مشابه ۳۳
۲-۱۰-۴- گری شیپ ۳۳
۲-۱۱- بررسی چگونگی کارکرد و تولید پیشنهاد سایت آمازون ۳۴
مراجع ۳۷
Coyle and B. Smyth, “Information recovery and discovery in collaborative web search”, In Proceedings of the European Conference on Information retrieval, pp. 356–۳۶۷, ۲۰۰۷٫
Feldman and C. Sherman, “The High Cost of Not Finding Information”, In (IDCWhite Paper), IDC Group, 2000.
Burke, “Hybrid recommender systems: Survey and experiments”, Journal of User Modeling and User-Adapted Interaction, vol. 12, no. 4, pp. 331-370, 2002.
Bell and Y. Koren, “ Lessons from the Netflix prize challenge”, Journal of SIGKDD Explorations, vol. 9, no. 2, pp. 75–۷۹, ۲۰۰۷٫
Goldberg, D. Nichols, BM. Oki and D. Terry, “Using collaborative filtering to weave an information tapestry”, Journal of Communication of the ACM, vol. 35, no. 12, pp. 61-70, 1992.
Resnick, N. Iacovou, M. Suchak, P. Bergstrom and J. Riedl, “GroupLens : An open architecture for collaborative filtering of netnews”, Proceedings of the 1994 Conference on Computer Supported Cooperative Work, USA, pp. 175–۱۸۶, ۱۹۹۴٫
Constan, B. Miller, D. Maltz, J. Herlocker, L. Gordon and J. Riedl, “applying collaborative filtering to Usenet news”, Journal of communications of the ACM, vol. 40, no. 3, pp.77-87, 1997.
Shardanand and P. Maes, “Social information filtering: Algorithms for automating word of mouth ”, Proceedings of ACM CHI’۹۵ Conference on Human Factors in Computing Systems ACM Press, USA, pp. 210–۲۱۷, ۱۹۹۵٫
Hil, L. Stead, M. Rosenstein and GW. Furnas, “Recommending and evaluating choices in a virtual community of use”, Proceedings of ACM CHI’۹۵ Conference on Human Factors in Computing Systems ACM Press, USA, pp. 194–۲۰۱, ۱۹۹۵٫
Bannett and S. Lanning, “The Netflix Prize”, Proceedings of KDD Cup and Workshop, USA, pp.8-25, Aug 2007.
Breeze, D. Heckermand and C. Kadie, “Empirical analysis of predictive algorithms for collaborative filtering”, Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence, USA, pp. 43-52, May 1998.
Pennock, E. Horvitz, S. Lawrence and CL. Giles, “Collaborative filtering by personality diagnosis: A hybrid memory- and model-based approach”, Proceedings of the Sixteenth Annual Conference on Uncertainty in Artificial Intelligence, USA, pp. 473–۴۸۰, ۲۰۰۰٫
Im and BH. Kim, “Personalizing the Settings for CF-Based Recommender Systems”, Proceedings of the fourth ACM conference on Recommender systems, New York, pp. 248-254, 2010.
Ge, H. Xiong, A. Tuzhilin and Q. Liu, “Collaborative Filtering with Collective Training”, Proceedings of the fifth ACM conference on Recommender systems, New York, pp. 281-284, 2011.
.Hu and P. Pu , “Enhancing Collaborative Filtering Systems with Personality Information”, In Proceedings of the fifth ACM conference on Recommender systems, New York, pp. 197-204, 2011.
.Bobadilla, F. Ortega,A.Hernando and J. Bernal, “Generalization of recommender systems: Collaborative filtering extended to groups of users and restricted to groups of items”, Journal of Expert Systems with Applications , vol. 39, no.1, pp. 172-186, 2012.
پیدایش اینترنت و وب جهان گستر[۱] موجب شده است که در رابطه با هر موضوع قابل تصور، حجم بسیار زیادی از اطلاعات وجود داشته باشد که کاربران[۲] بتوانند با استفاده از آن نیاز اطلاعاتی خود را برطرف سازند. افزایش روز افزون اطلاعات باعث شد که مشکل سربار اطلاعات[۳] به وجود آید و کاربران به تنهایی قادر به برطرف کردن نیازهای خود نباشند. . زیرا کاربران مجبور بودند به صورت بر خط[۴] تمامی صفحات را جستجو کنند تا بتوانند آن قسمتی را که مورد نیازشان است پیدا کنند. به همین دلیل موتورهای جستجوگر[۵] به وجود آمدند تا کاربران بتوانند با استفاده از آنها بدون نیاز به بررسی تعداد زیادی از صفحات به اطلاعات مورد نظرشان دسترسی پیدا کنند.
به عبارت دیگر یک موتور جستجوگر وب سایتی است که میتوان از آن برای پیدا کردن صفحات وب استفاده کرد. وقتی کاربر درخواست خود را در قالب کلمات کلیدی وارد موتور جستجوگر میکند موتور جستجوگر در بین بیلیونها صفحه وب جستجو کرده و به کاربر کمک میکند اطلاعاتی که به دنبال آن است را بیابد. با استفاده از این ابزار سرعت و دقت در جستجو بسیار افزایش یافت و کاربران توانستند به سادگی و در کمترین زمان به بهترین نتایج دست یابند.
انواع زیادی از موتورهای جستجوگر توسط کمپانیهای مختلف ساخته شده است که معروفترین آنها بینگ[۶]، یاهو[۷] و گوگل[۸] میباشد (شکل شماره ۱).
هر موتور جستجوگر راه و روش خود را برای سازماندهی اطلاعات دارد، پس نتیجه از یک موتور جستجوگر تا دیگری متفاوت خواهد بود.
موتورهای جستجوگر به دو دسته کلی تقسیم میشوند : موتورهای جستجوگر پیمایشی[۹] و فهرستهای تکمیل دستی[۱۰]. موتورهای جستجوگر ترکیبی[۱۱] نیز حاصل ترکیب دو نوع بالا میباشند. گونهای جدید از موتورهای جستجوگر نیز تحت عنوان ابر جستجوگرها[۱۲] وجود دارد که در ادامه به طور خلاصه به توضیح هر کدام از این موارد خواهیم پرداخت.
این موتورهای جستجوگر، وب را پیمایش و اطلاعاتی را ذخیره میکنند. سپس کاربران از میان این اطلاعات آنچه را که میخواهند جستجو میکنند. اگر در صفحه وب تغییراتی اعمال شود موتورهای جستجوگر پیمایشی به طور خودکار آنها را مییابند و تغییرات مذکور را در فهرستها اعمال میکنند. نمونههایی ازموتورهای جستجوگر پیمایشی گوگل و یاهو میباشند.
فهرستهای تکمیل دستی وابسته به کاربرانی میباشد که آن را تکمیل میکنند. یا کاربر خودش صفحه مورد نظر را به همراه توضیحی کوتاه در فهرست ثبت میکند یا این کار توسط ویراستارهایی که برای آن فهرست در نظر گرفته شده صورت میپذیرد. در این حالت عمل جستجو تنها بر روی توضیحات ثبت شده انجام میگیرد و اگر تغییری روی صفحه وب به وجود آید در فهرست تغییر به وجود نخواهد آمد. نمونهای از فهرستهای تکمیل دستی Open Directoryمیباشد[۱۳].
این موتورهای جستجوگر نتایج حاصل از جستجوی هر دو نوع بالا را با هم ترکیب میکنند و نشان میدهند. علاوه بر این میتوانند برای نتایج یک نوع، اولویت قائل شوند. مثلا موتور جستجوی MSN اولویت را روی نتایج حاصل از فهرستهای تکمیل دستی قرار میدهد. ولی برای درخواستهای پیچیده، نتایج حاصل از جستجوی پیمایشی را نیز بررسی میکند.
این نوع جدید از موتورهای جستجوگر نتایج حاصل از چند موتور جستجوگر را ترکیب نموده و نشان میدهد. به عبارتی دیگر درخواست کاربر را در چندین موتور جستجوگر جستجو کرده، سپس نتایج یافته شده را با هم ترکیب نموده و یک نتیجه کلی در اختیار کاربر قرار میدهد. به عنوان مثال موتور جستجوگر dogpile[14] نتایج حاصل از موتورهای جستجوگرGoogle ، Yahoo، MSN و ASK را با هم ترکیب میکند و به کاربر ارائه میدهد.
مطالعات اخیر نشان دادهاند که عمده موتورهای جستجوگر با نرخ پایین موفقیت مواجه هستند. این نرخ با میزان دریافت نتایج مرتبط، نسبت به میانگین کاربران جستجو کننده تعیین میشود. به عنوان مثال در یکی از مطالعات[۱] بیش از ۲۰۰۰۰ درخواست جستجو بررسی شده و مشخص گردیده که به طور میانگین در ۴۸% موارد، کاربر در نتایجی که به او ارائه شده حداقل یک مورد مرتبط با جستجویش که ارزش انتخاب داشته باشد پیدا میکند. به بیان دیگر در ۵۲% موارد، کاربر هیچ کدام از مواردی را که به عنوان نتیجه جستجو به او بازگشت داده میشود انتخاب نمیکند. البته این مشکل همان قدر که به موتور جستجوگر بستگی دارد به میزان دانش کاربر جستجو کننده در چگونگی نحوه جستجو نیز بستگی دارد. زیرا درخواست جستجو ممکن است منجر به ابهام شود و به ندرت میتواند به روشنی نیاز کاربر جستجو کننده را بیان کند. در این مواقع کاربر با لیست نتیجهای که نمیتواند نیاز اطلاعاتی او را برطرف سازد روبرو میشود. او در این شرایط معمولا درخواست خود را تعویض یا اصلاح میکند تا نتیجه دلخواهش به او ارائه شود.
در [۲] نشان داده است که ۱۰% از درآمد کسانی که با اطلاعات کار میکنند به دلیل تلف شدن زمانشان در جستجو از بین میرود. همچنین در بدترین حالت درصد قابل توجهی از جستجو کنندهها ممکن است در پیدا کردن اطلاعاتی که مورد نیازشان است با شکست روبرو شوند. این مسائل نشان میدهد که جستجوی وب بسیار ناکارامدتر از آن است که انتظار می- رود. همچنین علاوه بر افزایش تعداد صفحات وب تعداد کاربران اینترنت نیز به شدت افزایش یافت. کاربران هم میخواستند نیاز اطلاعاتیشان را بر طرف کنند و هم مایل به تولید و اشتراک گذاری اطلاعات، علائق و نیازمندیهای خود بودند. بنابراین شبکههای اجتماعی مانند Facebook و Twitter تاسیس شدند. همچنین سایتهایی مانند YouTube راه اندازی شد که محلی برای اشتراک گذاری فیلمها و مشاهده فیلمهای به اشتراک گذاشته میباشد.
در این بین برای برطرف نمودن ناکارامدیهای موتورهای جستجوگر و نیازهای کاربران سیستمهای پیشنهادگر به وجود آمدند.
[۱] World Wide Web
[۲] Users
[۳] Information Overload
[۴] On Line
[۵] Search Engines
[۹] Crawler-Based Search Engines
[۱۰] Human-Powered Directories
[۱۱] Hybrid Search Engines
[۱۲] Meta Search Engines
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