فایل ورد کامل تجربه توصیه های مفید یادگیری در سیستم توصیه شده توسط 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 تجربه توصیه های مفید یادگیری در سیستم توصیه شده توسط کاربر،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۴ صفحه

در این مقاله، گزارش مطالعات مقدماتی درباره ترجیحات کاربر برای سیستم تجربه توصیه شده در مفید بودن تحصیل ارائه داده شد. مطالعه گروه تمرکز بروی ۵۹ کاربر (دانشجو) برای ثبت ترجیحات آنها مورد مطالعه قرار گرفت. گروه تمرکز و تعامل با شش (۶) روش رایج تجربی سیستم توصیه نشان داده و شرح داده شد. آنالیز چند متغیره و LDA (آنالیز اختیاری خطی) و خوشه بندی برای محاسبه اهمیت تجربه مختلف در برابر ویژگی های مختلف توصیه گر اجرا شد. نتایج نشان دهنده وجود اختلاف در انواع مختلف تجربه توصیه گر است و این اختلاف در زمانی است که ارائه / تولید نتایج توصیه گر منجر به امکانات serendipity می شود. این تحقیق مهندسین نرم افزار و دانشمندان داده را قادر به طراحی تجربه برای سیستم های توصیه شده می سازد و تمرکز بر کاربرانی است که نیاز به ارائه توصیه های سریع و دقت دارند.

کلیدواژه: سیستم توصیه گر | تجربه | مفید بودن تحصیل

عنوان انگلیسی:

Visualizing Serendipitous Recommendations in User Controlled Recommender System for Learning

~~en~~ writers :

Ahmad Hassan Afridi

In this paper, we report on a preliminary study about user preferences for recommender system visualizing serendipitous
recommendations . A focus group study of fifty nine users (students) was studied for recording their preferences. The focus group
was shown and explained the interaction with six(6) common recommender system visualization techniques. Multivariate
analysis and LDA ( Linear Discriminant Analysis) and Clustering were performed to compute various visualization significance
against various recommender systems attributes. The results showed there is difference in various types of recommender
visualization when presenting/generating recommender results facilitating serendipity. This research enables software engineers
and data scientist to design visualizations for recommender systems that focus users that need serendipitous recommendations
presentation along with accuracy.

Keywords: Recommender System | Visualization | Serendipity

$$en!!