فروشگاه اینترنتی فایل

مقاله - پایان نامه - مقالات ترجمه شده - پاورپوینت - تحقیق - جزوه

فروشگاه اینترنتی فایل

مقاله - پایان نامه - مقالات ترجمه شده - پاورپوینت - تحقیق - جزوه

پایان-نامه-استفاده-ازکاربرانی-با-دقت-پیشگویی-بالا-در-سیستم-های-فیلترینگ-اشتراکی
پایان نامه استفاده ازکاربرانی با دقت پیشگویی بالا در سیستم های فیلترینگ اشتراکی
فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 92

پایان نامه استفاده ازکاربرانی با دقت پیشگویی بالا در سیستم های فیلترینگ اشتراکی
نوع فایل: word (قابل ویرایش)
تعداد صفحات : 92 صفحه

چکیده

سیستم های پیشنهادگر ابزارهای نرم افزاری و تکنیک هایی هستند که اقلام را مطابق با نیاز کاربر به او معرفی می کنند. روش های محتوا محور و فیلترینگ اشتراکی از راهکارهای موفق در سیستم های پیشنهادگر می باشند. روش محتوا محور بر اساس ویژگی های اقلام تعریف می شود. این روش بررسی می¬کند که اقلام مورد علاقه کاربر دارای چه ویژگی هایی بوده اند، سپس اقلام دارای ویژگی های مشابه را به او پیشنهاد می کند. روش فیلترینگ اشتراکی بر اساس تعیین اقلام مشابه یا کاربران مشابه کار می کند که به ترتیب فیلترینگ اشتراکی مبتنی بر اقلام و مبتنی بر کاربران نامیده می شود. در این پایان نامه یک روش تلفیقی از روش¬های فیلترینگ اشتراکی و محتوا محور ارائه شده است. این روش می تواند به عنوان روش فیلترینگ اشتراکی مبتنی بر کاربر در نظر گرفته شود. به این صورت که به منظور یافتن کاربرانی با سلیقه مشابه با کاربر فعال به عنوان کاربرانی با دقت پیشگویی بالا از ویژگی های مربوط به محتوای اقلام برای افزایش تاثیر امتیاز هایی که توسط کاربران به اقلام مشابه تخصیص داده شده است استفاده می کند. به بیان دیگر دو کاربر مشابه هستند در صورتی که امتیاز هایی که به اقلامی که از نظر محتوا مشابه هستند نسبت داده اند، همسان باشند. برای این منظور در هنگام سنجیدن شباهت دو کاربر، به امتیاز نسبت داده شده به هر قلم، با توجه به میزان شباهت آن به قلم هدف، وزن تخصیص می یابد.
کلید واژه:پیشگویی بالا- سیستم های فیلترینگ –


فهرست مطالب
فصل ۱ : مقدمه ۱
۱-۱- پیشگفتار۲
۱-۲- موتورهای جستجوگر۲
۱-۲-۱- موتورهای جستجوگر پیمایشی۳
۱-۲- ۲- فهرست های تکمیل دستی ۳
۱-۲-۳- موتورهای جستجوگر ترکیبی۴
۱-۲-۴- ابرجستجوگرها۴
۱-۳- سیستم های پیشنهادگر۵
۱-۳-۱- سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۷
۱-۳-۲- سیستم پیشنهادگر بر اساس محتوا ۸
۱-۳-۳- سیستم پیشنهادگر بر اساس آمار گیری ۸
۱-۳-۴- سیستم پیشنهادگر بر اساس سود۹
۱-۳-۵- سیستم پیشنهادگر بر اساس دانش۹
۱-۳-۶- سیستم پیشنهادگر ترکیبی۹
۱-۴- بررسی سایت MovieLens10
۱-۵- اهداف پایان نامه۱۳
۱-۶- ساختار پایان نامه۱۴
فصل ۲ : روش فیلترینگ اشتراکی ۱۵
۲-۱- پیشگفتار۱۶
۲-۲- مروری بر کارهای انجام شده در این راستا۱۶
۲-۳- مبانی فیلترینگ اشتراکی۲۱
۲-۴- وظایف فیلترینگ اشتراکی۲۲
۲-۴-۱- پیشنهاد۲۳
۲-۴-۲- پیش بینی۲۳
۲-۵- دسته بندی متدهای فیلترینگ اشتراکی ۲۳
۲-۵-۱- فیلترینگ اشتراکی مبتنی بر حافظه۲۴
۲-۵-۱-۱- فیلترینگ اشتراکی مبتنی بر حافظه با پیش بینی بر اساس کاربران۲۵
۲-۵-۱-۲- فیلترینگ اشتراکی مبتنی بر حافظه با پیش بینی بر اساس اقلام۲۵
۲-۵-۱- ۳- تفاوت فیلترینگ اشتراکی بر اساس کاربران و بر اساس اقلام ۲۶
۲-۵-۲- فیلترینگ اشتراکی مبتنی بر مدل۲۶
۲-۶- نحوه تشخیص علائق کاربران۲۷
۲-۶-۱- تشخیص علائق به صورت صریح۲۷
۲-۶-۲- تشخیص علائق به صورت ضمنی۲۷
۲-۷- محاسبه شباهت ۲۸
۲-۷-۱- معیار همبستگی پیرسون۲۸
۲-۷-۲- معیار اندازه گیری کسینوس۲۹
۲-۸- انتخاب همسایه۳۰
۲-۸-۱- استفاده از حد آستانه۳۰
۲-۸-۲- انتخاب تعداد ثابتی از همسایگان۳۰
۲-۹- پیش¬بینی و تخمین رتبه ۳۱
۲-۹-۱- استفاده از امتیازهای خام۳۱
۲-۹-۲- استفاده از امتیازهای نرمال شده۳۱
۲-۱۰- مشکلات فیلترینگ اشتراکی۳۲
۲-۱۰-۱- پراکنده بودن داده۳۲
۲-۱۰-۲- مقیاس پذیری۳۲
۲-۱۰-۳- اقلام مشابه۳۳
۲-۱۰-۴- گری شیپ ۳۳
۲-۱۱- بررسی چگونگی کارکرد سایت آمازون۳۳
فصل ۳ : روش محتوا محور۳۶
۳-۱- پیشگفتار۳۷
۳-۲- روند کار روش محتوا محور۳۷
۳-۲-۱- تحلیل¬گر محتوا۳۸
۳-۲-۲- یادگیرنده نمایه ۳۹
۳-۲-۳- جزء فیلترینگ۴۲
۳-۳- مزایای روش محتوا محور ۴۲
۳-۳-۱- استقلال کاربر ۴۲
۳-۳-۲- شفافیت ۴۲
۳-۳-۳- قلم جدید۴۳
۳-۴- معایب روش محتوا محور۴۳
۳-۴-۱- کمبود محتوا۴۳
۳-۴-۲- خصوصی سازی افزون۴۳
۳-۴-۳- کاربر جدید۴۴
فصل ۴ : روش پیشنهادی ۴۵
۴-۱- پیشگفتار ۴۶
۴-۲- مروری بر کارهای انجام شده در این راستا۴۶
۴-۳- مقدمه ای بر روش پیشنهادی۴۸
۴-۴- روش پیشنهادی۴۸
۴-۴-۱- پیش پردازش۴۹
۴-۴-۱-۱- پیش پردازش بر روی پایگاه داده MovieLens 49
۴-۴-۱-۲- پیش پردازش بر روی پایگاه داده EachMovie50
۴-۴-۲- وزن دهی به اقلام۵۱
۴-۴-۳- انتخاب همسایگی۵۳
۴-۴-۴- پیش بینی ۵۴
فصل ۵ : آزمایش ها و نتایج ۵۶
۵-۱- پایگاه داده های مورد استفاده۵۷
۵-۲- نحوه اجرای روش پیشنهادی روی پایگاه داده MovieLens57
۵-۳- نحوه اجرای روش پیشنهادی روی پایگاه داده ٍEachMovie58
۵-۴- معیارهای ارزیابی۵۸
۵-۴-۱- میانگین خطای مطلق ۵۸
۵-۴-۲- دقت و فراخوانی۵۹
۵-۴-۳- معیار ارزیابیF160
۵-۵- ارزیابی روش پیشنهادی توسط معیارهای معرفی شده۶۱
فصل ۶ : بحث و نتیجه گیری ۶۶
۶-۱- بحث۶۷
۶-۲- نتیجه¬گیری۶۷
۶-۴- پیشنهادات۶۸
مراجع۶۹

دانلود فایل
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

نظرات  (۰)

هیچ نظری هنوز ثبت نشده است

ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی