سیستم های توصیه گر

اگرچه سیستمهای توصیه گر، ریشه در کارهای گسترده ای دارند که در علم شناخت ، تئوری تقریب ، بازیابی اطلاعات ، تئوریهای پیش بینی صورت گرفته است و همچنین پیوندهایی با علم مدیریت و مدل کردن انتخاب مصرف کننده در بازاریابی دارند، بعنوان یک زمینه ی تحقیقاتی مستقل در اواسط دهه ی 1990، پدیدار شدند در آن زمان، محققین متمرکز روی مسائل توصیه ای بودند که صراحتاً به ساختار درجه گذاریها متکی بود. با ساده ترین بیان، مساله ی توصیه، مساله ی تخمین درجه ها برای آیتمهایی است که هنوز کاربر آنها را ندیده است. بطور شهودی، این تخمین، معمولاً مبتنی بر درجاتی است که این کاربر به دیگر آیتمها داده است و بر اطلاعات دیگری که در ادامه ذکر خواهد شد. وقتیکه ما بتوانیم برای آیتمهای هنوز دیده نشده، درجاتی را تخمین بزنیم، می توانیم به کاربر آیتمهای با بالاترین درجات تخمینی را توصیه کنیم.
سیستمهای توصیه گر معمولاً براساس نحوه ی تولید توصیه ها به انواع زیر طبقه بندی می شوند:
روشهای محتوا محور : به کاربر آیتمهایی توصیه خواهد شد که مشابه به آیتمهایی است که کاربر درگذشته می پسندید.
روشهای مشارکتی : به کاربر آیتمهایی توصیه خواهد شد که افراد هم سلیقه و همفکر این کاربر، درگذشته می پسندیدند.
روشهای تلفیقی : ترکیبی از دو روش بالا.
علاوه بر سیستمهای توصیه گری که مقادیر مطلق درجات را پیش بینی می کنند بطوریکه کاربران احتمالاً به آیتمهای موردنظر همان درجات را خواهند داد، کارهایی درباب فیلترینگ ترجیح محور یعنی پیش بینی پسندها و تمایلات نسبی کاربران صورت گرفته است. مثلاً در یک سیستم توصیه فیلم، تکنیکهای فیلترینگ ترجیح محور، بجای پیش بینی درجات مجزای فیلمها، روی پیش بینی ترتیب درست فیلمها متمرکز می شوند. بااین وجود، تمرکز این فصل، در درجه ی اول روی توصیه گرهای درجه محور است چون رایج ترین روش برای سیستمهای توصیه گر می باشد.

اسلاید درس سيستم هاي تصميم يار – Recommender systems

دانشگاه فردوسی مشهد – 48 اسلاید

مشاهده جزئیات بیشتر

30,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد

—————————————————————————-

معیارهای ارزیابی سیستم های توصیه گر

چکیده 3
1 . مقدمه ای بر سیستم های توصیه گر 4
1 . 1 . تعاریف و اصطلاحات عمده 7
1 . 2 . انواع سیستم‌های توصیه‌گر 8
1 . 3 . مزایای استفاده از سیستم های توصیه گر 10
1 . 4 . مقدمه ای بر ارزیابی سیستم های توصیه گر 11
2. معیارهای قبلی برای ارزیابی سیستم های توصیه گر 15
2 . 1 . ملاحظات اولیه 16
2 . 2 . معیارهای دقت 16
2 . 3 . اندازه گیری بازیابی اطلاعات 18
2 . 4 . معیارهای رتبه 22
2 . 5 . سایر معیارها 23
3 . یک چارچوب عمومی برای سیستم های توصیه گر 26
3 . 1 . سیستم های توصیه گر تعاملی و غیر تعاملی 27
3. 2. زیر سیستم های راهنما و فیلترینگ 30
4. اندازه گیری سیستم های توصیه گر 31
4 . 2 . کمیت پذیری عملکرد سیستم های توصیه گر 34
5 . نتیجه گیری و کارهای آینده 37
منابع 39

140,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد

—————————————————————————-

مقاله فارسی در مورد سیستم های توصیه گر

1. مقاله فارسی : كاربرد سيستمهاي پيشنهاد دهنده در تجارت الكترونيك
فایل PDF – یازده صفحه
كلمات كليدي:
سيستمهاي پيشنهاد دهنده ، فيلتر همبستگي ، فيلتر مبتني بر محتوا ، فيلتر تركيبي

2. مقاله فارسی: سيستم پيشنهاد دهنده وب با استفاده از اتوماتاي يادگير توزيع شده و پارتيشن بندي گراف
فایل PDF – پانزده صفحه
كلمات كليدي:
اتوماتاي يادگير، داده كاوي استفاده از وب، سيستمهاي پيشنهاد دهنده

 

مشاهده جزئیات بیشتر

40,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد

—————————————————————————-

مقاله فارسی

طراحی یک سیستم توصیه ‏گر ترکیبی معنایی با استفاده از تکنیک ‏های پردازش زبان طبیعی فارسی

کلمات کلیدی
سیستم توصیه ‏گر ترکیبی، پردازش زبان طبیعی فارسی، فردوس‏نت، وب معنایی، ریشه یابی

فهرست مطالب:

طراحی یک سیستم توصیه‏گر ترکیبی معنایی با استفاده از تکنیک‏های پردازش زبان طبیعی فارسی
چکیده
کلمات کلیدی
– مقدمه
– کارهای مرتبط
– تکنیک ‏های بکار رفته از پردازش زبان طبیعی
– سیستم توصیه ‏گر پیشنهادی
– ارزیابی سیستم
— صحت پیش ‏بینی ‏ها
— صحت دسته‏ بندی‏ ها
– نتیجه‏ گیری
ضمایم
مراجع
زیر‌نویس‌ها

مشاهده جزئیات بیشتر

60,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد

—————————————————————————-

بررسی جامع کاربردهای مختلف تکنیک های معنایی در هوش تجاری

مقاله بسیار جتمع و فنی در مورد آنتولوژی، تکنیک های معنایی  و وب معنایی، هوش تجاری و ….

فایل PDF – دوازده صفحه

مشاهده جزئیات بیشتر

70,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد

—————————————————————————-

مستندی درباره سیستم های توصیه گر

سیستم های توصیه گر ابزارهای نرم افزاری هستند و تکنیکهای مشروط بر ارائه پیشنهادها, برای آیتم ها می باشد که کاربر از آنها استفاده می کند. هدف پیشنهادات ارائه شده, حمایت از کاربران شان در مراحل مختلف تصمیم گیری, مانند چه اقلامی را خرید کنیم,به چه موسقی گوش دهیم,یا ایبنکه چه خبری را بخوانیم. سیستم های توصیه گر به ابزاری ارزشمند ثابت شده اند برای کاربران آنلاین تا با اطلاعات اضافه مقابله کنند و به یکی از قدرتمندترین و محبوب ترین نرم افزار در تجارت الکترونیک تبدیل شوند. به همین طریق, تکنیک های مختلفی برای تولید توصیه مطرح شده اند, و در طول دهه گذشته بسیاری از آنها نیز با موفقیت در محیط های تجاری گسترش یافته اند.

مشاهده جزئیات بیشتر

 

90,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد

—————————————————————————-

مرور ادبیات  سیستم های توصیه گر

– کارهای گذشته
این فصل، بررسی جامعی از سیستمهای توصیه گر است که محدودیتهای مختلف نسل حاضر روشهای توصیه را مشخص می کند و بعضی از اولین روشها، برای رفع این محدودیتها و توسعه ی قابلیتهای این سیستمها را مورد بحث قرار می دهد.
2-1- معرفی
اگرچه سیستمهای توصیه گر، ریشه در کارهای گسترده ای دارند که در علم شناخت [‎49]، تئوری تقریب ، بازیابی اطلاعات ، تئوریهای پیش بینی صورت گرفته است و همچنین پیوندهایی با علم مدیریت و مدل کردن انتخاب مصرف کننده در بازاریابی دارند، بعنوان یک زمینه ی تحقیقاتی مستقل در اواسط دهه ی 1990، پدیدار شدند در آن زمان، محققین متمرکز روی مسائل توصیه ای بودند که صراحتاً به ساختار درجه گذاریها متکی بود. با ساده ترین بیان، مساله ی توصیه، مساله ی تخمین درجه ها برای آیتمهایی است که هنوز کاربر آنها را ندیده است. بطور شهودی، این تخمین، معمولاً مبتنی بر درجاتی است که این کاربر به دیگر آیتمها داده است و بر اطلاعات دیگری که در ادامه ذکر خواهد شد. وقتیکه ما بتوانیم برای آیتمهای هنوز دیده نشده، درجاتی را تخمین بزنیم، می توانیم به کاربر آیتمهای با بالاترین درجات تخمینی را توصیه کنیم.

سیستمهای توصیه گر معمولاً براساس نحوه ی تولید توصیه ها به انواع زیر طبقه بندی می شوند [‎3]:
روشهای محتوا محور : به کاربر آیتمهایی توصیه خواهد شد که مشابه به آیتمهایی است که کاربر درگذشته می پسندید.
روشهای مشارکتی : به کاربر آیتمهایی توصیه خواهد شد که افراد هم سلیقه و همفکر این کاربر، درگذشته می پسندیدند.
روشهای تلفیقی : ترکیبی از دو روش بالا.
علاوه بر سیستمهای توصیه گری که مقادیر مطلق درجات را پیش بینی می کنند بطوریکه کاربران احتمالاً به آیتمهای موردنظر همان درجات را خواهند داد، کارهایی درباب فیلترینگ ترجیح محور یعنی پیش بینی پسندها و تمایلات نسبی کاربران صورت گرفته است [‎28، ‎29]. مثلاً در یک سیستم توصیه فیلم، تکنیکهای فیلترینگ ترجیح محور، بجای پیش بینی درجات مجزای فیلمها، روی پیش بینی ترتیب درست فیلمها متمرکز می شوند. بااین وجود، تمرکز این فصل، در درجه ی اول روی توصیه گرهای درجه محور است چون رایج ترین روش برای سیستمهای توصیه گر می باشد.

2- کارهای گذشته 7
2-1- معرفی 7
2-2- روشهای محتوا محور 11
2-2-1- روشهای کاووشی 11
2-2-2- روشهای مدل محور 15
2-2-3- محدودیتها 16
2-2-3-1- محدودیت در تجزیه و تحلیل محتوا 16
2-2-3-2- عدم تازگی و جذابیت توصیه ها 17
2-2-3-3- مساله کاربر جدید 18
2-3- روشهای مشارکتی 18
2-3-1- روشهای حافظه محور 20
2-3-2- روشهای مدل محور 26
2-3-3- محدودیتها 30
2-3-3-1- مساله کاربر جدید 30
2-3-3-2- مساله آیتم جدید 31
2-3-3-3- کم تراکمی 31
2-4- روشهای تلفیقی 32
2-4-1- ترکیب نتایج 32
2-4-2- مشارکت براساس محتوا 33

مشاهده جزئیات بیشتر

180,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد

—————————————————————————-

سمینار سیستم های توصیه گر

در ابتدا به بیان لیستی از انواع توصیه گرها می‏پردازیم و در ادامه ی این بخش انواع مختلف سیستم های توصیه گر پایه شرح داده شده اند. آشنایی مقدماتی با انواع اولیه ی سیستم های توصیه گر برای درک بهتر سیستم تلفیقی پیشنهادی ضروری می‏باشد.

انواع سیستم های توصیه گر

سيستم  توصيه گر يا سامانه پيشنهادگر، با تحليل رفتار کاربر خود، اقدام به پيشنهاد مناسب‏ترين آيتم ها (داده، اطلاعات، کالا و …) مي‏نمايد. به زبان ساده‌تر در سيستم هاي توصيه‌گر تلاش بر اين است تا با حدس زدن شيوه تفکر کاربر (به کمک اطلاعاتي که از نحوه رفتار وي يا کاربران مشابه وي و نظرات آن‏ها داريم) به وي مناسب‌ترين و نزديک‏ترين کالا به سليقه او را شناسايي و پيشنهاد کنيم. سيستم هاي توصيه گر براساس تخمين نرخ و چگونگي پيشنهادات به چهار دسته تقسيم مي‏شود:

توصيه گر محتوامحور

توصيه گر هم بستگي (يا اشتراکي)

فيلتر ترکيبي

روش دانش‏محور

در سيستم هاي توصيه گر، محاسبه ي ميزان شباهت کالا با کاربر و کاربر با کاربر، از اهميت زيادي برخوردار است.

توصيه گر محتوامحور

در روش مبتني بر محتوا سودمندي u(c,s)  از آيتم s براي کاربر c، از روي سودمندي u(c,s_i) به وسيله کاربر c به آيتم هاي s_i∈S  که s_i شبيه آيتم S هستند، تخمين زده مي‏شود. براي مثال در برنامه توصيه گر فيلم به کاربر c، اين سيستم  سعي مي‏کند اشتراک‏هاي بين فيلم ها مثل نام کارگردان، نوع فيلم، موضوع فيلم، بازيگران خاص و… که کاربر c به آن‏ها نرخ بالايي داده تشخيص دهد و در اين‏صورت فيلم هاي که درجه تشابه بالاتري، با اولويت‏هاي مشتري دارند را پيشنهاد نمايد.

فهرست مطالب
1- مرور ادبیات 1
1-1- انواع سیستم‏های توصیه‏گر 1
1-1-1- توصيه‏گر محتوامحور 2
1-1-2- توصيه‏گر همبستگي 7
1-1-3- الگوريتم ترکيبي 9
1-1-4- روش دانش محور 19
1-1-5- طبقه‏بندي جامع انواع سيستم توصيه‏گر 19
1-2- پیش‏بینی نرخ 20
1-3- روش‏هاي پيش‏بيني نرخ کاربرمحور 22
1-3-1- پيش‏بيني نرخ با استفاده از فيلترينگ همکارانه کاربرمحور 22
1-3-2- روش‏هاي پيش‏بيني نرخ اعتمادمحور 26
1-4- روش‏هاي پيش‏بيني نرخ آيتم‌محور 30
1-4-1- فيلترينگ همکارانه آيتم‌محور 30
1-4-2- روش‏هاي آيتم‏محور معنايي در پيش‏بيني نرخ 36
1-4-3- روش پيش‏بيني با استفاده از ادغام اعتماد ضمني و فيلترينگ همکارانه کاربرمحور بهبود يافته 44
1-4-4- روش پيش‏بيني با استفاده از ادغام مشابهت معنايي تعداد سرموضوعات و فيلترينگ همکارانه آيتم‌محور بهبود يافته 45
1-5- کارهاي مرتبط 47
1-5-1- مروري بر سيستم‏هاي توصيه‏گر 47
1-5-2- سيستم‏هاي توصيه‏گر معنايي 48
1-5-3- سيستم‏هاي توصيه‏گر اجتماعي و آگاه از اعتماد 48
1-6- خلاصه فصل 50
منابع 52

یک فایل فشرده حاوی یک فایل: