فایل ورد کامل بهبود پیشنهاد برتر k با رابطه مندی اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بهبود پیشنهاد برتر k با رابطه مندی اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

۷-نتیجه گیری و اثر آتی
این مقاله TRecSo را مطرح می کند که روش توصیه تازه مبتنی بر یادگیری مرتبه ای بوده که دقت پیش بین رده بندی Kتراز اول را با در نظر داشتن اطلاعات شبکه اجتماعی بهینه سازی می کند. TRecSo اطلاعات شبکه اجتماعی را به تابع هدف مبتنی بر یادگیری مرتبه ای برای توصیبه ادغام می کند. به خاطر انعطاف پذیری بالا و پیچیدگی کم مدل ما، روش پیشنهادی را می توان به راحتی در کاربردهای جهان حقیقی استفاده کرد که در ؟ان سوابق تعامل کاربر-آیتم و اطلاعات شبکه اجتماعی کاربر مطرح می شود. نتایج آزمایشی جامع نشان می دهند که TRecSo به طور عمده بهتر از الگوریتم های پیشرفته در دقت رده بندی Kتراز اول توصیه عمل می کنند.
به خاطر داشته باشید که اثر ما بر اساس مفهوم احتمال تراز اول به جای احتمال Kتراز اول می باشد چون کاهش پیچیدگی زمانی بیشتر از دستاورد عملکرد است. به عنوان کار آتی مدل خود را در نظر داریم به احتمال Kبرتر بسط دهیم که آیتم های Kتراز اول را در لیست به جای احتمال مورد نخست برتر قرار می دهد تا ببینیم آیا بهبود عملکرد را می توان بدون مخاطره افکنی پیچیدگی اطلاعات زیاد به دست آورد. دوم آنکه برنامه ریزی می کنیم تا بررسی کنیم که آیا در مدل های متغییر دیگر احتمال محاسبه جایگشت ها به جای احتمال تراز اول وجود دارد.

عنوان انگلیسی:Improving top-K recommendation with truster and trustee relationship in user trust network~~en~~

۷ Conclusion and future work

This paper proposes TRecSo, a novel LTR based recommendation method that optimizes the top-k ranking prediction accuracy by additionally considering the social network information. Specifically, TRecSo integrates the social network information into the Learning-To-Rank (LTR) based objective function for recommendation. Thanks to the flexibility (can be generalized to symmetric social relationship) and the low complexity (compared with pair-wise LTR approaches) of our model, our proposed method can be easily integrated into a real-world applications where user-item interaction history and user social network information are given. Comprehensive experimental results show that TRecSo significantly outperforms the state-of-the-art algorithms in the top-k ranking accuracy of recommendation. Recall that our work is based on the concept of top-one probability instead of top-k probability because the loss in time complexity outweighs the gain in performance. As a future work, we plan to extend our model to top-k probability that considers top-k items in a list rather than top-one probability to see whether the performance improvement can be achieved without compromising much computational complexity. Second, we also plan to investigate on other variant models for computing probability of permutations [5,40] rather than the top-one probability.

$$en!!