ترجمه مقاله ویژگی های عدم تشابه در سیستم های توصیه گر – سال 2013
مشخصات مقاله:
عنوان فارسی مقاله:
ویژگی های عدم تشابه در سیستم های توصیه گر
عنوان انگلیسی مقاله:
Dissimilarity Features in Recommender Systems
کلمات کلیدی مقاله:
سیستم های توصیه شده، ویژگی های ناهمگونی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر و فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
مدیریت سیستم های اطلاعات، مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات، هوش مصنوعی و اینترنت و شبکه های گسترده
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
خلاصه
مقدمه
اجتماع‌های کاربر از طریق شباهت‌های جفتی
استخراج ویژگی مبتنی بر عدم تشابه
بکارگیری در توصیه‌گرهای مبتنی بر ویژگی
کارهای مرتبط
فریم کاری استخراج ویژگی عدم تشابه
ایجاد پروفایل‌های کاربر
تخمین شباهت‌های کاربر
تخمین ویژگی‌های عدم تشابه
فریک کاری طبقه‌بندی
تبدیل Naive Bayes مبتنی بر اجتماع
لیبل‌گذاری نمونه
آزمایشات
توصیف دیتاست
طبقه‌بندی‌کننده‌ها بعنوان توصیه‌گرها
متریک‌های ارزیابی
تشکرات
قسمتی از مقاله انگلیسی و ترجمه آن:
I. INTRODUCTION
Recommenders search in collections of items and suggest the most relevant ones to users [1]. The relevance of an item for a user can be merely expressed with a decision of whether the user likes it or not. Providing recommendations through such decisions can be approached from a machine learning perspective where classifiers are trained to offer effective solutions to this binary classification problem (i.e. like/dislike). Classifiers have played an active role in the field of recommenders. Probabilistic methods have been used in both content-based [2] and collaborative-filtering [3] recommenders as well as in hybrid solutions [4]. Furthermore, other types of classifiers such as Decision Trees [5] and Support Vector Machines [6] have also been utilized in recommendation methods.
I. مقدمه
توصیه‌گرها در مجموعه‌ای از آیتم‌ها جستجو می‌کنند و مرتبط‌ترین را به کاربر پیشنهاد می‌دهند [1]. ارتباط آیتم برای یک کاربر می‌تواند با یک تصمیم در رابطه با این که آیا کاربر آن را دوست دارد یا خیر بیان شود. فراهم کردن توصیه‌ها از طریق چنین تصمیم‌هایی می‌تواند از یک دید یادگیری ماشینی بدست آید در جایی که طبقه‌بندی کننده‌های برای پیشنهاد راه‌حل‌های موثر به این مساله‌ی طبقه‌بندی باینری آموزش داده می‌شوند (یعنی like/dislike). طبقه‌بندی کننده‌ها نقش مهمی در زمینه‌ی توصیه‌گرها دارند. روش‌های احتمالی در زمینه‌ی توصیه‌گرهای مبتنی بر مفهوم [2] و فیلترینگ مشارکتی [3] و راه‌حل‌های ترکیبی [4] بکار گرفته شده اند. بعلاوه دیگر انواع طبقه‌بندی کننده‌ها مانند درخت تصمیم [5] و ماشین‌های برداری پشتیبانی [6] در روش‌های توصیه بکار گرفته شده‌اند.
