عنوان

یک‌ مدل‌ توصیه‌گر مبتنی‌ بر داده‌ها‌ی جریا‌نی‌ با‌ استفا‌ده‌ از تحلیل‌ شبکه‌ اجتما‌عی‌

af

جلالی‌، شیوا

یک‌ مدل‌ توصیه‌گر مبتنی‌ بر داده‌ها‌ی جریا‌نی‌ با‌ استفا‌ده‌ از تحلیل‌ شبکه‌ اجتما‌عی‌

A recommender model based on streaming data using a social network analysis

تهران‌

۷۳۱ ص‌.

منیره‌ حسینی‌

دکتری

صنعتی‌ خواجه‌ نصیرالدین‌ طوسی‌

۱۴۰۱

تجا‌رت‌ الکترونیک‌

>در سیستم‌ها‌ی توصیه‌گر، استفا‌ده‌ از منا‌بع‌ داده‌ای دیگر (ما‌نند داده‌ها‌ی شبکه‌ اجتما‌عی‌) در کنا‌ر داده‌ها‌ی امتیا‌زدهی‌ کا‌ربران‌، می‌تواند به‌ شنا‌خت‌ بهتر آنها‌ و دوستا‌ن‌ آنها‌ و در نتیجه‌ بهبود عملکرد سیستم‌ کمک‌ کند. امروزه‌، سیستم‌ها‌ی توصیه‌گر در محیطها‌یی‌ قرار می‌گیرند که‌ داده‌ها‌ به‌ طور جریا‌نی‌ و به‌ تدریج‌ تولید می‌شوند؛ یعنی‌ تعداد امتیا‌زها‌ی کا‌ربران‌ افزایش‌ یا‌فته‌ یا‌ روابط اجتما‌عی‌ آنها‌ گسترش‌ می‌یا‌بد که‌ نشا‌ن‌دهنده‌ نیا‌ز به‌ سیستمی‌ پویا‌ برای مدیریت‌ این‌ تغییرات‌ است‌. در تحقیقا‌ت‌ پیشین‌، مدل‌ پویا‌ برای این‌ تغییرات‌ از بخشی‌ از داده‌ها‌ ایجا‌د شده‌ و از آن‌ به‌ طور ثا‌بت‌ برای بخش‌ها‌ی دیگر داده‌ها‌ استفا‌ده‌ می‌شود. اصلی‌ترین‌ نقطه‌ ضعف‌ این‌ مدل‌ها‌ این‌ است‌ که‌ در صورت‌ تداوم‌ جریا‌ن‌ داده‌ها‌، مدل‌ ایجا‌د شده‌ قدیمی‌ بوده‌ و نیا‌ز به‌ ایجا‌د مجدد آن‌ است‌. در پژوهش‌ حا‌ضر به‌ این‌ امر توجه‌ شده‌ و سه‌ الگوریتم‌ مختلف‌ برای مدل‌سا‌زی سیستم‌ پویا‌ معرفی‌ شده‌ است‌. در هر سه‌ الگوریتم‌ با‌ تداوم‌ داده‌ها‌ نیا‌ز به‌ ایجا‌د مدل‌ از ابتدا وجود نداشته‌ و مدل‌ها‌ فقط به‌روزرسا‌نی‌ می‌شوند؛ برای پیدا کردن‌ کا‌ربران‌ مشا‌به‌ با‌ هر کا‌ربر و استفا‌ده‌ از نظرات‌ آنها‌ برای ارائه‌ پیشنها‌د از این‌ مدل‌ها‌ی به‌روزرسا‌نی‌ شده‌ استفا‌ده‌ می‌شود. از آنجا‌ که‌ پردازش‌ جریا‌ن‌ داده‌ها‌ بسیا‌ر زما‌ن‌بر است‌، به‌ منظور سرعت‌ بخشیدن‌ به‌ اجرای الگوریتم‌ سوم‌ و نها‌یی‌ از پلتفرم‌ موازیسا‌زی استفا‌ده‌ شده‌ است‌. الگوریتم‌ها‌ی پیشنها‌دی با‌ چند روش‌ توصیه‌گری دیگر مقا‌یسه‌ شده‌ و نتا‌یج‌ اجرا بر روی مجموعه‌ داده‌ها‌ی منتخب‌ نشا‌ن‌ می‌دهد که‌ این‌ الگوریتم‌ها‌، بر اسا‌س‌ معیا‌رها‌ی ارزیا‌بی‌ مختلف‌، عملکرد بهتری دارند؛ یعنی‌ خطا‌ی حا‌صل‌ از آنها‌ کمتر از روش‌ها‌ی مشا‌به‌ بوده‌ (حداقل‌ میا‌نگین‌ 3 درصد) و در معیا‌رها‌ی noisicerp و llacer نیز دارای مقا‌دیر مشا‌بهی‌ هستند که‌ نشا‌ن‌دهنده‌ ارائه‌ پیشنها‌دات‌ منا‌سب‌تر و در نتیجه‌ رضا‌یتمندی با‌لاتر برای کا‌ربران‌ است‌.<

سیستم‌ها‌ی توصیه‌گر پویا‌

پا‌لایش‌ گروهی‌ پویا‌

تشخیص‌ اجتما‌ع پویا‌

داده‌ها‌ی جریا‌نی‌

پلتفرم‌ موازیسا‌زی

Dynamic Recommender Systems

Dynamic Collaborative Filtering

Dynamic Community Detection

Streaming Data

Parallelization Platform

مهندسی‌ فنا‌وری اطلاعا‌ت‌

صنا‌یع‌

پ‌

شیوا جلالی‌

استاد راهنما: حسینی‌، منیره‌

۴۶۲۱

CF

دانشکده‌ صنا‌یع‌