عنوان

طراحی سیستم توصیه‌گر با استفاده از داده‌های اجتماعی

Number

‭۱۴۱۰۲پ‬

.Language of Text, Soundtrack etc

per

Title Proper

طراحی سیستم توصیه‌گر با استفاده از داده‌های اجتماعی

First Statement of Responsibility

/امیر مرادنژاد کهریز

Name of Publisher, Distributor, etc.

: برق و کامپیوتر

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۴‬

Name of Manufacturer

، راشدی

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

کامپیوترگرایش هوش مصنوعی

Date of degree

‮‭۱۳۹۴/۰۶/۱۶‬

Body granting the degree

تبریز

Text of Note

حجم فراوان و روبه رشد اطلاعات بر روی وب و پایگاه‌صداده‌صهای موجود، فرایند تصمیم‌گیری و انتخاب اطلاعات، داده و یا کالاهای مورد نیاز را، برای بسیاری از کاربران وب دشوار کرده‌است .در پاسخ به این مسئله هدف سیستم‌صهای توصیه‌صگر ، ارائه پیشنهادصهایی هوشمندانه به کاربرصها است، به گونه‌صای که آنان را در جستجوی فضای اطلاعات یاری کند و پیشنهادصهای ارائه-شده مطابق با نیازصها وعلایق کاربرصها باشد .الگوریتم‌صهای پایه در سیستم‌صهای توصیه‌صگر شامل الگوریتم‌صهای مبتنی بر محتوا ، الگوریتم‌صهای پایش همکارانه و الگوریتم-های ترکیبی، می‌صباشند .درالگوریتم‌صهای مبتنی بر محتوا از ویژگی‌صهای اقلام و در الگوریتم‌صهای پایش همکارانه از شباهت میان کاربران، برای پیشبینی استفاده می‌صشود .حجم انبوهی از روش‌صهای ارائه شده در طراحی سیستم توصیه‌صگر بر پایه پایش همکارانه می‌صباشد و روش‌صهای ارائه شده بر مبنای پایش همکارانه مبتنی بر مدل، سیستم‌صتوصیه‌صگر مقیاس‌صپذیررا طراحی می‌صکنند .خوشه‌صبندی کاربران به عنوان ابزاری کارآمد در طراحی سیستم توصیه‌صگر مبتنی بر مدل، مطرح شده است و روش‌صهای متنوع خوشه‌صبندی نظیر‮‭means- k‬،‮‭FCM‬ ، و.....در طراحی سیستم توصیه‌صگر استفاده شده‌صاست .اکثر روش‌صهای معمول خوشه-بندی توجهی به ابعاد بالای داده‌صها ندارند و به دلیل این که ذات مسائل خوشه‌صبندی از نوع ان پی-سخت است، با افزایش تعداد کاربران پیچیدگی الگوریتم‌صهای ارائه شده افزایش می‌صیابد .استفاده از الگوریتم ژنتیک راه‌صکاری مناسب برای خوشه‌صبندی حجم انبوه داده‌صها می‌صباشد .درحوزه‌صی سیستم‌صهای توصیه-گر، خوشه‌صبندی کاربران بر مبنای الگوریتم ژنتیک، پژوهش‌صهای موردی صورت گرفته و مدلسازی جامع که متناسب با محدودیت‌صها و ویژگی‌صهای نظیر ارتباط تنک کاربران و اقلام وجود ندارد .همچنین تابع هدف متناسب با هدف سیستم و معیارهای ارزیابی مطرح نشده است .در این پژوهش با استفاده از الگوریتم تکاملی بهبود یافته، سیستم توصیه‌صگر بر مبنای خوشه‌صبندی کاربران ارئه صشده‌صاست .راهکار پیشنهادی اول به منظور بهبود کیفیت توصیه درسیستم‌صتوصیه‌صگر ارائه شده است .خوشه‌صبندی کاربران به صورت یک مسئله‌صی بهینه‌صسازی‌ص‍ مدل شده است و هدف بیشینه‌صسازی همبستگی کاربران در یک خوشه‌ص‍ می‌صباشد .معیار جدیدی برای تولید خوشه‌صها و سنجش میزان همبستگی اعضای خوشه‌صها معرفی‌صشده است که راه‌صکاری برای مشکل اعضای خاکستری می‌صباشد .همچنین برای افزایش سرعت طراحی مدل وکاهش سربار محاسباتی، راهکار پیشنهادی دوم ارائه شده‌صاست .در روش پیشنهادی، بهینه‌صسازی تابع هدف مبتکی بر الگوریتم تکاملی بهبود یافته با نام ‮‭HPGA‬ می‌صباشد که بر خلاف سایر روش‌صهای تکاملی نیازی به تنظیم پارامترصهای ورودی نظیر نرخ جهش و نرخ برش نمی‌صباشد و سازگار با محیط بی‌صدرنگ است و سربار محاسباتی کم و سرعت بالا دارد .نتایج حاصل از ارزیابی نشان می‌صدهد که روش‌صصپیشنهادی اول، با ثابت نگه‌صداشتن مرتبه زمانی تابع برازندگی، در معیارصهای اثربخشی، دقت و پوشش از سایر روش‌صهای خوشه‌صبندی بهتر است و روش پیشنهادی دوم ضمن بهبود جزئی معیار-های دقت، پوشش، اثربخشی، سرعت بالایی را نسبت به سایر الگوریتم‌صها تکاملی از خود نشان می‌صدهد .ترکیب روش‌صهای پیشنهادی منجر به طراحی سیستم توصیه‌گری با کیفت بالا، مقیاس‌صپذیری بالا و سرعت بالا، می‌شود

Text of Note

Massive and growing data on the web and other databases make it hard to filter and choose desired information or products for the users. The goal of recommender systems is to offer recommendations Which are compatible with users needs and preferences. The basic algorithms for recommender systems, include content-based filtering, collaborative filtering algorithms and hybrid algorithms. Content-based filtering methods are based on a description of the item and a profile of the users preference. Collaborative filtering methods are based on users behaviors, activities or preferences and predicting what users will like based on their similarity to other user. Most of proposed method for recommender system is in the base on Collaborative filtering. By using model-based collaborative filtering we are able to design a scalable recommender system. User clustering, as an effective tool, has been proposed in model-based recommender system design and many algorithms such as k-means, FCM and... Are used in designing recommender system. Most of clustering methods fail in facing massive data and because clustering problems are considered NP-hard, as the number of users multiply, the complexity of algorithms increase. Genetic algorithms are good approach for clustering the large amount of data. In the field of recommender systems, genetic-based user clustering algorithm is conducted case studies and there is no comprehensive model that suits the constraints and

مرادنژاد کهریز، امیر

رضوی، سید ناصر، استاد راهنما

فیضی درخشی، محمد رضا، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی