فایل ورد کامل ویژگی های عدم تشابه در سیستم های توصیه گر

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 ویژگی های عدم تشابه در سیستم های توصیه گر،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

VI نتیجه گیری و کار آینده
در این مقاله ما فریم کاری استخراج ویژگی عدم تشابه را معرفی کردیم که این از طریق نمایش آیتم‌ها با ویژگی های جدید صورت گرفت. که وقتی در کار طبقه‌بندی مورد استفاده قرار گرفت، این نمایش‌های غنی شده در کشف آیتم‌های ارجح موثر هستندریال زیرا انها ممنجر به کارآیی بهبود یافته‌ای در دقت شده‌اند. نتایج نشان داده شده از طبقه‌بندی‌های اعمال شده و تکنیک‌های انتخاب ویژگی صحت کاربرد ویژگی‌ها ما را نشان می‌دهد.
در کارهای آینده ما علاقمند به مقایسه‌ی ویژگی‌هایمان با تلاش‌های تحقیقاتی جدید مانند تکنیک‌های فاکتوری کردن ماتریس [۱۷] می‌باشیم. چنین مطالعات قیاسی باعث بهبود اهمیت کار ما می شود. بعلاوه با در نظر گرفتن پیچیدگی محاسباتی فریم کاری استخراج ویژگی، ما برای فراهم سازی پیاده‌سازی توزیع شده از طریق کاهیش زمان اجرا برنامه داریم. در نهایت فریم کاری پیشنهاد شده می‌تواند برای فراهم سازی توصیه در زمینه‌ی شبکه‌های اجتماعی بکار گرفته شود. با در نظر گرفتن اجتماع کاربران، ما می‌توانیم ویژگی‌های عدم تشتابه را برای آیتم‌هایی که آنها نظرشان را درباره اش گفته‌اند محاسبه کنیم. سپس، این ویژگی ها می تواند منجر به اختلاف بین کاربران شود که می تواند برای جداسازی آنها در دو قطب استفاده شود. یک قطب شامل کاربران با وزنهای غیرمستقیم کوچک (به عنوان مثال کاربران با هم اندیشی) است، در حالی که قطب دیگر شامل افرادی با وزنهای متمادی بالا (به عنوان مثال کاربر متضاد) می باشد. برنامه هایی که به دنبال تعادل بین دقت و تنوع می توانند از هر دو قطب کاربران استفاده کنند.

عنوان انگلیسی:Dissimilarity Features in Recommender Systems~~en~~

VI. CONCLUSIONS & FUTURE WORK

In this work, we introduce a dissimilarity feature extraction framework through which we augment items’ representations with new features. When utilized in classification tasks, these enriched representations are proved to be effective in discovering preferred items, since they result in an improved performance in terms of precision. Presented results from the applied classifiers and the feature selection techniques endorse the usability of our features. In future work, we are interested in comparing our features with state-of-the-art research efforts such as matrix factorization techniques [17]. Such comparison studies will greatly enhance the importance of our work. Furthermore, considering the computational complexity of our feature extraction framework, we plan to provide a distributed implementation through which its execution time will be reduced. Finally, the proposed framework could be adjusted in order to provide suggestions in the context of social networks. Considering a community of users, we could calculate dissimilarity features for the items they have expressed their opinion. Then, these features could lead to dissimilarities between users which can be used for their separation into two poles. The one pole would contain the users with small pairwise dissimilarity weights (i.e. like-minded users), while the other pole would include the ones with high dissimilarity weights (i.e. opposite-minded user). Applications that seek a balance between accuracy and diversity could use both poles of users.

$$en!!