فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word

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

 فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word دارای ۴۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word  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 ورد می باشد و در فایل اصلی فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word :

بخشی از فهرست مطالب فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word

۱-۱- مقدمه    
۱-۲- موتورهای جستجوگر    
۱-۲-۱- موتورهای جستجوگر پیمایشی    
۱-۲- ۲- فهرستهای تکمیل دستی    
۱-۲-۳- موتورهای جستجوگر ترکیبی    
۱-۲-۴- ابر جستجوگرها    
۱-۳- سیستمهای پیشنهادگر    
۱-۳-۱- سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی    
۱-۳-۲- سیستم پیشنهادگر محتوا  محور    
۱-۳-۳- سیستم پیشنهادگر بر اساس آمارگیری    
۱-۳-۴- سیستم پیشنهادگر بر اساس سود    
۱-۳-۵- سیستم پیشنهادگر بر اساس دانش    
۱-۳-۶- سیستم پیشنهادگر ترکیبی    
۲-۲- مروری بر کارهای انجام شده در راستای  فیلترینگ اشتراکی    
۲-۳- مبانی فیلترینگ اشتراکی    
۲-۴- وظایف فیلترینگ اشتراکی    
۲-۴-۱- پیشنهاد    
۲-۴-۲- پیشبینی    
۲-۵- دسته بندی متدهای فیلترینگ اشتراکی    
۲-۵-۱- فیلترینگ اشتراکی مبتنی بر حافظه    
۲-۵-۱-۱- فیلترینگ اشتراکی مبتنی بر حافظه  با پیش بینی براساس کاربران    
۲-۵-۱-۲- فیلترینگ اشتراکی مبتنی بر حافظه با پیش بینی براساس اقلام    
۲-۵-۱- ۳- تفاوت فیلترینگ اشتراکی بر اساس کاربران و بر اساس اقلام    
۲-۵-۲- فیلترینگ اشتراکی مبتنی بر مدل    
۲-۶- نحوه تشخیص علائق کاربران    
۲-۶-۱- تشخیص علائق به صورت صریح    
۲-۶-۲- تشخیص علائق به صورت ضمنی    
۲-۷- محاسبه شباهت    
۲-۷-۱- معیار همبستگی پیرسون    
۲-۷-۲- معیار اندازهگیری کسینوس    
۲-۸- انتخاب همسایه    
۲-۸-۱- استفاده از حد آستانه    
۲-۸-۲- انتخاب تعداد ثابتی از همسایگان    
۲-۹- پیشبینی و تخمین رتبه    
۲-۹-۱- استفاده از امتیازهای خام    
۲-۹-۲- استفاده از امتیازهای نرمال شده    
۲-۱۰- مشکلات فیلترینگ اشتراکی    
۲-۱۰-۱- پراکنده بودن داده    
۲-۱۰-۲- مقیاس پذیری    
۲-۱۰-۳- اقلام مشابه    
۲-۱۰-۴- گری شیپ    
۲-۱۱- بررسی چگونگی کارکرد و تولید پیشنهاد سایت آمازون    
مراجع    

بخشی از منابع و مراجع فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word

Coyle and B. Smyth, “Information recovery and discovery in collaborative web search”, In Proceedings of the European Conference on Information retrieval, pp. 356–۳۶۷, ۲۰۰۷

Feldman and C. Sherman, “The High Cost of Not Finding Information”, In (IDCWhite Paper), IDC Group,

Burke, “Hybrid recommender systems: Survey and experiments”, Journal of User Modeling and User-Adapted Interaction, vol. 12, no. 4, pp. 331-370,

Bell and Y. Koren, “ Lessons from the Netflix prize challenge”, Journal of SIGKDD Explorations, vol. 9, no. 2, pp. 75–۷۹, ۲۰۰۷

Goldberg, D. Nichols, BM. Oki and D. Terry, “Using collaborative filtering to weave an information tapestry”, Journal of Communication of the ACM, vol. 35, no. 12, pp. 61-70,

Resnick, N. Iacovou, M. Suchak, P. Bergstrom and J. Riedl, “GroupLens : An open architecture for collaborative filtering of netnews”, Proceedings of the 1994 Conference on Computer Supported Cooperative Work, USA, pp. 175–۱۸۶, ۱۹۹۴

Constan, B. Miller, D. Maltz, J. Herlocker, L. Gordon and J. Riedl, “applying collaborative filtering to Usenet news”, Journal of communications of the ACM, vol. 40, no. 3, pp.77-87,

Shardanand and P. Maes, “Social information filtering: Algorithms for automating word of mouth ”, Proceedings of ACM CHI’۹۵ Conference on Human Factors in Computing Systems ACM Press, USA, pp. 210–۲۱۷, ۱۹۹۵

Hil, L. Stead, M. Rosenstein and GW. Furnas, “Recommending and evaluating choices in a virtual community of use”, Proceedings of ACM CHI’۹۵ Conference on Human Factors in Computing Systems ACM Press, USA, pp. 194–۲۰۱, ۱۹۹۵

Bannett and S. Lanning, “The Netflix Prize”, Proceedings of KDD Cup and Workshop, USA, pp.8-25, Aug

Breeze, D. Heckermand and C. Kadie, “Empirical analysis of predictive algorithms for collaborative filtering”, Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence, USA,  pp. 43-52, May

Pennock, E. Horvitz, S. Lawrence and CL. Giles, “Collaborative filtering by personality diagnosis: A hybrid memory- and model-based approach”, Proceedings of the Sixteenth Annual Conference on Uncertainty in Artificial Intelligence, USA, pp. 473–۴۸۰, ۲۰۰۰

Im and BH. Kim, “Personalizing the Settings for CF-Based Recommender Systems”, Proceedings of the fourth ACM conference on Recommender systems, New York, pp. 248-254,

Ge, H. Xiong, A. Tuzhilin and Q. Liu, “Collaborative Filtering with Collective Training”,  Proceedings of the fifth ACM conference on Recommender systems, New York, pp. 281-284,

.Hu and P. Pu , “Enhancing Collaborative Filtering Systems with Personality Information”,  In Proceedings of the fifth ACM conference on Recommender systems, New York, pp. 197-204,

.Bobadilla, F. Ortega,A.Hernando and J. Bernal, “Generalization of recommender systems: Collaborative filtering extended to groups of users and restricted to groups of items”, Journal of Expert Systems with Applications , vol. 39, no.1, pp. 172-186,

– مقدمه

پیدایش اینترنت و وب جهان گستر[۱] موجب شده است که در رابطه با هر موضوع قابل تصور، حجم بسیار زیادی از اطلاعات وجود داشته باشد که کاربران[۲] بتوانند با استفاده از آن نیاز اطلاعاتی خود را برطرف سازند. افزایش روز افزون اطلاعات باعث شد که مشکل سربار اطلاعات[۳] به وجود آید و کاربران به تنهایی قادر به برطرف کردن نیازهای خود نباشند. . زیرا کاربران مجبور بودند به صورت بر خط[۴]  تمامی صفحات را جستجو کنند تا بتوانند آن قسمتی را که مورد نیازشان است پیدا کنند. به همین دلیل موتورهای جستجوگر[۵]  به وجود آمدند تا کاربران بتوانند با استفاده از آنها بدون نیاز به بررسی تعداد زیادی از صفحات به اطلاعات مورد نظرشان دسترسی پیدا کنند

 ۱-۲- موتورهای جستجوگر

به عبارت دیگر یک موتور جستجوگر وب سایتی است که می­توان از آن برای پیدا کردن صفحات وب استفاده کرد. وقتی کاربر درخواست خود را در قالب کلمات کلیدی وارد موتور جستجوگر می­کند موتور جستجوگر در بین بیلیون­ها صفحه­ وب جستجو کرده و به کاربر کمک می­کند اطلاعاتی که به دنبال آن است را بیابد. با استفاده از این ابزار سرعت و دقت در جستجو بسیار افزایش یافت و کاربران توانستند به سادگی و در کمترین زمان به بهترین نتایج دست یابند

انواع زیادی از موتورهای جستجوگر توسط کمپانی­های مختلف ساخته شده است که معروف­ترین آنها  بینگ[۶]، یاهو[۷] و گوگل[۸] می­باشد (شکل شماره­ ۱)

هر موتور جستجوگر راه و روش خود را برای سازمان­دهی اطلاعات دارد، پس نتیجه از یک موتور جستجوگر تا دیگری متفاوت خواهد بود

موتورهای جستجوگر به دو دسته­ کلی تقسیم می­شوند : موتورهای جستجوگر پیمایشی[۹] و فهرست­های تکمیل دستی[۱۰]. موتورهای جستجوگر ترکیبی[۱۱] نیز حاصل ترکیب دو نوع بالا می­باشند. گونه­ای جدید از موتورهای جستجوگر نیز تحت عنوان ابر جستجوگرها[۱۲] وجود دارد که در ادامه به طور خلاصه به توضیح هر کدام از این موارد خواهیم پرداخت

۱-۲-۱- موتورهای جستجوگر پیمایشی

این موتورهای جستجوگر، وب را پیمایش و اطلاعاتی را ذخیره می­کنند. سپس کاربران از میان این اطلاعات آنچه را که می_­خواهند جستجو می­کنند. اگر در صفحه­ وب تغییراتی اعمال شود موتورهای جستجوگر پیمایشی به طور خودکار آنها را می­یابند و تغییرات مذکور را در فهرست­ها اعمال می­کنند. نمونه­هایی ازموتورهای جستجوگر پیمایشی  گوگل و  یاهو می­باشند

بخشی از فهرست مطالب فایل ورد کامل تحقیق سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی ۴۵ صفحه در word

فهرست­های تکمیل دستی وابسته به کاربرانی می­باشد که آن را تکمیل می­کنند. یا کاربر خودش صفحه­ مورد نظر را به همراه توضیحی کوتاه در فهرست ثبت می­کند یا این کار توسط ویراستارهایی که برای آن فهرست در نظر گرفته شده صورت می­پذیرد. در این حالت عمل جستجو تنها بر روی توضیحات ثبت شده انجام می­گیرد و اگر تغییری روی صفحه­ وب به ­وجود آید در فهرست تغییر به وجود نخواهد آمد. نمونه­ای از فهرست­های تکمیل دستی Open Directoryمی­باشد[۱۳]

۱-۲-۳- موتورهای جستجوگر ترکیبی

این موتورهای جستجوگر نتایج حاصل از جستجوی هر دو نوع بالا را با هم ترکیب می­کنند و نشان می­دهند. علاوه بر این می­توانند برای نتایج یک نوع،  اولویت قائل شوند. مثلا موتور جستجوی MSN اولویت را روی نتایج حاصل از فهرست­های تکمیل دستی قرار می­دهد. ولی برای درخواست­های پیچیده، نتایج حاصل از جستجوی پیمایشی را نیز بررسی می­کند

۱-۲-۴- ابر جستجوگرها

این نوع جدید از موتورهای جستجوگر نتایج حاصل از چند موتور جستجوگر را ترکیب نموده و نشان می­دهد. به عبارتی دیگر درخواست کاربر را در چندین موتور جستجوگر جستجو کرده، سپس نتایج یافته شده را با هم ترکیب نموده و یک نتیجه­ کلی در اختیار کاربر قرار می­دهد. به عنوان مثال موتور جستجوگر dogpile[14] نتایج حاصل از موتورهای جستجوگرGoogle ، Yahoo، MSN و ASK را با هم ترکیب می_­کند و به کاربر ارائه می­دهد

۱-۳- سیستم ­های پیشنهادگر

مطالعات اخیر نشان داده­اند که عمده­ موتورهای جستجوگر با نرخ پایین موفقیت مواجه هستند. این نرخ با میزان دریافت نتایج مرتبط، نسبت به میانگین کاربران جستجو کننده تعیین می­شود. به­ عنوان مثال در یکی از مطالعات[۱]  بیش از ۲۰۰۰۰ درخواست جستجو بررسی شده و مشخص گردیده که به طور میانگین در ۴۸% موارد، کاربر در نتایجی که به او ارائه شده حداقل یک مورد مرتبط با جستجویش که ارزش انتخاب داشته باشد پیدا می­کند. به بیان دیگر در ۵۲% موارد، کاربر هیچ کدام از مواردی را که به ­عنوان نتیجه جستجو به او بازگشت داده می­شود انتخاب نمی­کند. البته این مشکل همان قدر که به موتور جستجوگر بستگی دارد به میزان دانش کاربر جستجو کننده در چگونگی نحوه­ جستجو نیز بستگی دارد. زیرا درخواست جستجو ممکن است منجر به ابهام شود و به ندرت می­تواند به روشنی نیاز کاربر جستجو کننده را بیان کند. در این مواقع کاربر با لیست نتیجه­ای که نمی­تواند نیاز اطلاعاتی او را برطرف سازد رو­­­برو می­شود. او در این شرایط معمولا درخواست خود را تعویض یا اصلاح می­کند تا نتیجه­ دلخواهش به او ارائه شود

در [۲] نشان داده است که ۱۰% از درآمد کسانی که با اطلاعات کار می­کنند به دلیل تلف شدن زمانشان در جستجو از بین می­رود. همچنین در بدترین حالت درصد قابل توجهی از جستجو کننده­ها ممکن است در پیدا کردن اطلاعاتی که مورد نیازشان است با شکست روبرو شوند. این مسائل نشان می­دهد که جستجوی وب بسیار ناکارامدتر از آن است که انتظار می- رود. همچنین علاوه بر افزایش تعداد صفحات وب تعداد کاربران اینترنت نیز به شدت افزایش یافت. کاربران هم می­خواستند نیاز اطلاعاتی­شان را بر طرف کنند و هم مایل به تولید و اشتراک گذاری اطلاعات، علائق و نیازمندی­های خود بودند. بنابراین شبکه­های اجتماعی مانند Facebook  و Twitter تاسیس شدند. همچنین سایت­هایی مانند YouTube راه اندازی شد که محلی برای اشتراک­ گذاری فیلم­ها و مشاهده­ فیلم­های به اشتراک گذاشته می­باشد

در این بین برای برطرف نمودن ناکارامدی­های موتورهای جستجوگر و نیازهای کاربران سیستم­های پیشنهادگر به وجود آمدند

[۱] World Wide Web

[۲] Users

[۳] Information Overload

[۴] On Line

[۵] Search Engines

[۹] Crawler-Based Search Engines

[۱۰] Human-Powered Directories

[۱۱] Hybrid Search Engines

[۱۲] Meta Search Engines