فایل پی دی اف کامل مقاله ISI استفاده از مدل‌های موضوعی با سابقه مرور در سیستم توصیه‌گر فیلتر مشارکتی ترکیبی PDF

توجه : این فایل به صورت فایل PDF (پی دی اف) ارائه میگردد

 فایل پی دی اف کامل مقاله ISI استفاده از مدل‌های موضوعی با سابقه مرور در سیستم توصیه‌گر فیلتر مشارکتی ترکیبی PDF دارای ۱۲ صفحه می باشد و دارای تنظیمات و فهرست کامل در PDF می باشد و آماده پرینت یا چاپ است

فایل پی دی اف فایل پی دی اف کامل مقاله ISI استفاده از مدل‌های موضوعی با سابقه مرور در سیستم توصیه‌گر فیلتر مشارکتی ترکیبی PDF  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی 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 پی دی اف کامل مقاله ISI استفاده از مدل‌های موضوعی با سابقه مرور در سیستم توصیه‌گر فیلتر مشارکتی ترکیبی PDF،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل پی دی اف کامل مقاله ISI استفاده از مدل‌های موضوعی با سابقه مرور در سیستم توصیه‌گر فیلتر مشارکتی ترکیبی PDF :

دانلود مقاله ISI استفاده از مدل‌های موضوعی با سابقه مرور در سیستم توصیه‌گر فیلتر مشارکتی ترکیبی

موضوع انگلیسی:Using topic models with browsing history in hybrid collaborative filtering recommender system

فرمت فایل: pdf

تعداد صفحه:۱۲

چکیده

شخصی سازی تجربه کاربر در سیستم های توصیه گر زمانی امکان پذیر است که اطلاعات کافی در مورد کاربر وجود داشته باشد. اما زمانی که کاربران جدید به سیستم می‌پیوندند، در دسترس نبودن اطلاعات مربوط به این کاربران، که به آن شروع سرد گفته می‌شود، عملکرد سیستم توصیه‌گر را مهار می‌کند. ما پیشرفتی را برای رویکردهای مبتنی بر کاربر پیشنهاد می‌کنیم، که به طور گسترده در ادبیات سیستم توصیه‌گر استفاده می‌شود. رویکرد ما داده های ویکی پدیا و تاریخچه مرور را در الگوریتم توصیه ترکیب می کند. به طور خاص، ما موضوعات را با استفاده از مدل‌های تخصیص دیریکله پنهان (LDA) در داده‌های ویکی‌پدیا ایجاد می‌کنیم و سپس از موضوعات تاریخچه مرور کاربر برای استخراج تنظیمات برگزیده کاربر استفاده می‌کنیم. ارزیابی ما از پنج رویکرد استفاده می‌کند و عملکرد آنها را از نظر صحت پیش‌بینی و طبقه‌بندی آزمایش می‌کند. ما آزمایش‌هایی را در دو حوزه (فیلم‌ها و رستوران‌ها) انجام می‌دهیم تا رتبه‌بندی کاربران و تاریخچه مرور آنها را برای ارزیابی جمع‌آوری کنیم. نتایج حاصل از هر دو آزمایش به نفع افزایش پیشنهادی ما است.