سيستمهاي توصیهگر بر اساس اطلاعات کاربران و آیتمها، سلایق و علاقهمندیهای مورد نظر کاربران را پیشبینی کرده و بر اساس آنها آیتمهای مناسب را به کاربران پیشنهاد میدهند. اکثر رويکردهاي موجود براي سيستمهاي توصيهگر بر روی پیشنهاد دادن مرتبطترین آیتمها تمرکز میکنند و چکیده کامل
سيستمهاي توصیهگر بر اساس اطلاعات کاربران و آیتمها، سلایق و علاقهمندیهای مورد نظر کاربران را پیشبینی کرده و بر اساس آنها آیتمهای مناسب را به کاربران پیشنهاد میدهند. اکثر رويکردهاي موجود براي سيستمهاي توصيهگر بر روی پیشنهاد دادن مرتبطترین آیتمها تمرکز میکنند و اطلاعات زمينهاي مانند زمان یا مکان را در نظر نمیگیرند. در اين مقاله يک روش برای سیستم توصيهگر زمينه آگاه سفر با بهرهگيري از اطلاعات عکسهاي برچسب دار جغرافيايي ارایه شده است که از دقت بالايي برخوردار است. این روش نسبت به مقالات مشابه، تعداد زمينههاي بيشتری مانند (وضعيت آب و هوا، وضعيت روحي کاربر، ميزان ترافيک و ...) را در نظر میگیرد. با این کار باعث نزديک شدن کاربران يک خوشه و در نتیجه افزايش دقت میشود. روش پیشنهادی به جای استفاده از الگوریتم خوشهبندي کلاسيک از ادغام دو الگوريتم رقابت استعماري و خوشهبندي C-Means فازی استفاده میکند. ارزيابي روش ارايه شده بر روی مجموعه داده فليکر انجام شده و نتايج ارزيابي حاکي از آن است که روش پيشنهادي قادر به فراهم کردن توصيههاي موثر و دقیق مطابق با علاقهمندیهای کاربر و موقعيت فعلي بازديد او ميباشد. رویکرد پيشنهادي در معیارهای دقت، متوسط مطلق دقت و میانگین قدر مطلق خطا به ترتیب به 0.69 و 0.53 و 0.31 دست یافته است.
پرونده مقاله
سامانههای توصیهگر بهمنظور کاهش تولید و پردازش پرسوجو بهوجود آمدهاند. توصیه کاربران در شبکههای اجتماعی و پیامرسانها برای کاربران عادی در یافتن دوست و برای بازاریابان جهت یافتن مشتریانی جدید، بسیار مفید است. در شبکههای اجتماعی مانند فیسبوک، یافتن کاربران هدف بر چکیده کامل
سامانههای توصیهگر بهمنظور کاهش تولید و پردازش پرسوجو بهوجود آمدهاند. توصیه کاربران در شبکههای اجتماعی و پیامرسانها برای کاربران عادی در یافتن دوست و برای بازاریابان جهت یافتن مشتریانی جدید، بسیار مفید است. در شبکههای اجتماعی مانند فیسبوک، یافتن کاربران هدف برای بازاریابی پیشبینی شده است؛ اما در پیامرسانهایی همچون تلگرام امکانی جهت یافتن جامعه هدف وجود ندارد. در این مقاله با استفاده از گراف و مدلسازی رفتار کاربران و همچنین تعریف ویژگیهایی مرتبط با گروهها، روشی جهت توصیه کاربران تلگرام، ارائه شده است. روش پیشنهادی دربردارنده هشت گام است و هر یک از گامها، میتوانند روشی جهت توصیه کاربر درنظر گرفته شوند. مهاجرت، روشی جدید جهت مدلسازی علایق کاربران، براساس سوابق عضویت آنان در گروهها است. دادههای این پژوهش، مجموعه دادهای واقعی شامل بیش از 900.000 سوپرگروه و 120میلیون کاربر تلگرامی است. نتایج ارزیابی روش پیشنهادی بر روی 100گروه باکیفیت، حاکی از مؤثر بودن توصیههایی برگرفته از سوابق کاربران و مدلسازی رفتار آنان نسبت بهصرف استفاده از این اطلاعات است. رویکرد پیشنهادی با ارائه گامهایی در ادامه روش گروههای مشابه که جهت توصیه گروه در تلگرام ارائه شده بود، توانسته میانگین خطای RMSE را از 0.87 به 0.79 و میانگین خطای MAE را از 0.77 به 0.64 کاهش دهد.
پرونده مقاله
<p>تحلیل ویژگی های شخصیتی افراد همواره یکی از موضوعات جذاب پژوهشی بوده است. علاوه بر این، دستیابی به ویژگی‌های شخصیتی براساس داده‌هایی که از رفتار اشخاص به دست می‌آید، یک موضوع چالش برانگیز است. براساس پژوهش‌های انجام شده؛ اغلب مردم، بیشتر وقت خود را چکیده کامل
<p>تحلیل ویژگی های شخصیتی افراد همواره یکی از موضوعات جذاب پژوهشی بوده است. علاوه بر این، دستیابی به ویژگی‌های شخصیتی براساس داده‌هایی که از رفتار اشخاص به دست می‌آید، یک موضوع چالش برانگیز است. براساس پژوهش‌های انجام شده؛ اغلب مردم، بیشتر وقت خود را در شبکه‌های اجتماعی صرف می‌کنند و ممکن است در این شبکه‌های اجتماعی، رفتارهایی را از خود بروز دهند که نمایانگر یک شخصیت در فضای مجازی باشد. امروزه شبکه‌های اجتماعی بسیاری وجود دارند که یکی از آن‌ها، شبکه اجتماعی تلگرام است. تلگرام در ایران نیز مخاطبان بسیاری دارد و افراد به منظور برقراری ارتباط، تعامل با دیگران، آموزش، معرفی محصولات و غیره از آن استفاده می‌کنند. این پژوهش به دنبال این موضوع هست که چگونه می توان یک سیستم توصیه گر را بر اساس ویژگی های شخصیتی افراد بنا نهاد. به این منظور، شخصیت کاربران یک گروه تلگرامی را با استفاده از سه الگوریتم Cosine Similarity، MLP و Bayes شناسایی شده و در نهایت با کمک یک سیستم توصیه‌گر، کانال‌های تلگرامی متناسب با شخصیت هر فرد ، به او پیشنهاد می‌شود. نتایج حاصل از تحقیق نشان می‌دهد که این سیستم توصیه‌گر به طور میانگین 42/65 درصد رضایت کاربران را جلب کرده است.</p>
پرونده مقاله
سیستمهای توصیه گر میتوانند درخواستهای آینده کاربر را پیشبینی و سپس لیستی از صفحات موردعلاقه کاربر را تولید کند. بهعبارتدیگر سیستم های توصیه گر می توانند نمایه ایی دقیق از رفتار کاربران را به دست آورده و صفحه ایی پیشبینی شود که کاربر درحرکت بعدی آن را انتخاب خواهد چکیده کامل
سیستمهای توصیه گر میتوانند درخواستهای آینده کاربر را پیشبینی و سپس لیستی از صفحات موردعلاقه کاربر را تولید کند. بهعبارتدیگر سیستم های توصیه گر می توانند نمایه ایی دقیق از رفتار کاربران را به دست آورده و صفحه ایی پیشبینی شود که کاربر درحرکت بعدی آن را انتخاب خواهد کرد که این کار میتواند مشکل شروع سرد سیستم را حل و باعث کیفیت بخشیدن به جستجو شود. در این تحقیق به ارائه روش جدیدی بهمنظور بهبود سیستمهای توصیه گر در زمینه وب پرداخته میشود که از الگوریتم خوشهبندی DBSCAN جهت خوشهبندی دادهها استفاده میشود که این الگوریتم امتیاز کارایی ۹۹٪ را به دست آورد. سپس با استفاده از الگوریتم Page rank، صفحات موردعلاقه کاربر وزن دهی میشوند. سپس با استفاده از روش SVM، دادهها را دستهبندی و جهت تولید پیشبینی به کاربر به یک سیستم توصیه گر ترکیبی داده میدهیم که درنهایت این سیستم توصیه گر لیستی از صفحات را در اختیار کاربر قرار خواهد داد که میتواند موردعلاقه وی باشند. ارزیابی نتایج حاصل از تحقیق حاکی از آن بود که استفاده از این روش پیشنهادی میتواند امتیاز ۹۵% را در قسمت فراخوانی و امتیاز ۹۹% را در قسمت دقت به دست آورد که این نتایج اثبات میکند که این سیستم توصیه گر تا بیش از ۹۰٪ میتواند صفحات موردنظر کاربر را بهدرستی تشخیص داده و تا حدود زیادی نقاط ضعف سایر سیستم های پیشین را برطرف سازد.
پرونده مقاله