دانلود پایان نامه : بررسی انواع سیستم های پیشنهاد دهنده در شبکه های اجتماعی

دانلود پایان نامه : بررسی انواع سیستم های پیشنهاد دهنده در شبکه های اجتماعی

تعداد صفحات: 63

فرمت فایل: word

دسته بندی:

قیمت: 6000 تومان

تعداد نمایش: 1008 نمایش

ارسال توسط:

تاریخ ارسال: 26 فوریه 2016

به روز رسانی در: 24 فوریه 2018

خرید این محصول:

پس از پرداخت لینک دانلود برای شما نمایش داده می شود.

6000 تومان – خرید

دانلود پایان نامه : بررسی انواع سیستم های پیشنهاد دهنده در شبکه های اجتماعی

 

فهرست مطالب

عنوان                                                                                                                     صفحه

1- مرور ادبیات.. 1

1-1- انواع سیستم‏های توصیه‏گر 1

1-1-1- توصيه‏گر محتوامحور. 1

1-1-1-1- بررسي فرايند فيلتر مبتني بر محتوا 2

1-1-1-2- محدوديتهاي الگوريتم مبتني بر محتوا 4

1-1-2- توصيه‏گر هم‌بستگي.. 6

1-1-2-1- بررسي فرايند فيلتر هم‎بستگي. 7

1-1-3- الگوريتم ترکيبي.. 8

1-1-3-1- دسته‏بندي روش‏هاي ترکيبي. 8

1-1-3-2- خلاصه‏ي روش‏هاي ترکيبي. 15

1-1-4- روش دانش محور. 18

1-1-5- طبقه‏بندي جامع انواع سيستم توصيه‏گر. 18

1-2- پیش‏بینی نرخ. 19

1-3- روش‏هاي پيش‏بيني نرخ کاربرمحور 21

1-3-1- پيش‏بيني نرخ با استفاده از فيلترينگ همکارانه کاربرمحور. 21

1-3-1-1- ضريب هم‏بستگي پيرسون. 21

1-3-1-2- فيلترينگ همکارانه کاربرمحور ساده 22

1-3-1-3- فيلترينگ همکارانه کاربرمحور بهبود يافته 23

1-3-2- روش‏هاي پيش‏بيني نرخ اعتمادمحور. 24

1-3-2-1- اعتماد صريح کاربران به يکديگر 27

1-3-2-2- اعتماد ضمني کاربران به يکديگر 27

1-4- روش‏هاي پيش‏بيني نرخ آيتم‌محور 27

1-4-1- فيلترينگ همکارانه آيتم‌محور. 28

1-4-1-1- اندازه‏گيري مشابهت آيتم‏ها 28

شباهت برمبناي ضريب هم‌بستگي. 30

شباهت کسينوسي تنظيم‏شده 30

1-4-1-2- فيلترينگ همکارانه آيتم‏محور بهبود يافته 31

1-4-1-3- پيش‏بيني نرخ. 32

1-4-2- روش‏هاي آيتم‏محور معنايي در پيش‏بيني نرخ.. 32

1-4-2-1- مشابهت معنايي با استفاده از ميزان هم‏پوشاني موضوعي بين دو کتاب.. 33

1-4-2-2- مشابهت معنايي با استفاده از تعداد سرموضوعات دربرگيرنده‏ي دو کتاب.. 36

1-4-2-3- مشابهت معنايي با استفاده از محتواي دو کتاب.. 38

1-4-3- روش پيش‏بيني با استفاده از ادغام اعتماد ضمني و فيلترينگ همکارانه کاربرمحور بهبود يافته. 40

1-4-4- روش پيش‏بيني با استفاده از ادغام مشابهت معنايي تعداد سرموضوعات و فيلترينگ همکارانه آيتم‌محور بهبود يافته  41

1-4-4-1- محاسبه‏ي شهرت يک آيتم. 41

1-4-4-2- انتخاب همسايگان. 42

1-4-4-3- بدست آوردن پيش‏بيني وزني. 42

1-5- کارهاي مرتبط.. 43

1-5-1- مروري بر سيستم‏هاي توصيه‏گر. 43

1-5-2- سيستم‏هاي توصيه‏گر معنايي.. 43

1-5-3- سيستم‏هاي توصيه‏گر اجتماعي و آگاه از اعتماد. 44

1-6- خلاصه فصل. 45

منابع  47

 

  • بررسي فرايند فيلتر مبتني بر محتوا

پيشنهاددهي به روش مبتني برمحتوا، ريشه در بازيابي و فيلترنمودن اطلاعات دارد. از آن‏جايي که پيشرفت‏هاي قابل توجه و چشم‏گيري توسط بازيابي اطلاعات و انجمن‏هاي فيلترينگ در زمينه سيستم‏هاي مبتني بر متن انجام شده است، بسياري از سيستم‏هاي توصيه‏گر، روي آيتم‏هاي مبتني بر اطلاعات متني (مثل کتب، اسناد، آدرس وب سايت‏ها و متن پيام‏هاي خبري يوزنت) متمرکز شده‏اند. روش‏هاي بازيابي اطلاعات در شيوه سنتي، به‏منظور اطلاع از اولويت‏هاي مشتري و نيازهاي او، از پروفايل کاربر استفاده مي‏کنند. اطلاعات پروفايل يا به‏صورت صريح از طريق عملکرد مستقيم کاربر (مانند پرکردن پرسش‏نامه) و يا به‏صورت ضمني از رفتار تراکنش‏ها بدست مي‏آيد. به‏صورت رسمي از پروفايل آيتم، مجموعه‏اي از مشخصات آيتم مي‏باشد که جهت مشخص نمودن تناسب آيتم با اهداف پيشنهاد، استخراج مي‏شود. همان‏طور که قبلاً توضيح داده شد، سيستم‏هاي مبتني بر محتوا اغلب براي آيتم‏هاي مبتني بر متن طراحي شده‏اند. محتوا دراين سيستم‏ها معمولاً با کلمات کليدي[1] مشخص مي‏شود. اهميت و سودمندي کلمه درسند باوزن تعريف مي‏شود. يکي از بهترين روش‏هاي اندازه‏گيري وزن کلمات کليدي در بازيابي اطلاعات استفاده از اندازه‏گيري تعداد تکرارواژه تقسيم بر معکوس تعداد تکرار سند [2] است که به صورت زير تعريف مي‏شود:

فرض کنيم که N تعداد کل متن‏هايي باشد که مي‏توانند به کاربر پيشنهاد داده شوند و هم‏چنين کلمه کليدي در تا از آن‏ها وجود دارد. به علاوه فرض کنيم که تعداد دفعات تکرار کلمه کليدي در متن است، که به صورت فرمول (1) تعريف مي‏شود. که حداکثر تعداد تکرارهاي براي تمام کلمات کليدي است که در متن ظاهر شده‏اند.

 

هنگامي که کلمه کليدي در متن‏هاي زيادي تکرار مي‏شود ديگر آن کلمه کليدي براي نمايش تفاوت بين متن‏ها نمي‏تواند زياد مفيد باشد و با کمک آن کلمه کليدي نمي‏توان تشخيص داد کدام متن مناسب و کدام غيرمناسب است. به همين دليل اغلب از اندازه‏گيري معکوس تعداد تکرار سند (IDF) در ترکيب با تعداد تکرار واژه‏هاي ساده (TF) استفاده مي‏کنند. معکوس…

 

 

 

  • روش‏هاي پيش‏بيني نرخ اعتمادمحور

کلمه‏ي “اعتماد” عموماً به‌صورت “اعتماد کردن” به‏کار مي‏رود. “اعتماد کردن” يعني “اطمينان کردن”[1] و يا “وثوق داشتن به”[2]. مفهوم مستعمل اين عبارت را مي‏توان از بيت زير (سروده‏ي نظامي در داستان “جمشيد و خاصگي محرم”[3]) درک کرد:

چون به وثوق از دگران گوي برد            شاه خزينه به درونش سپرد

در نتيجه مي‏توان گفت که “اعتماد کردن” بيش‏تر به‏معناي “تکيه کردن” و “مَحرَم دانستن” به‏کار مي‏رود. اما هنگامي که از “اعتماد کردن” بين کاربران در يک سيستم توصيه‏گر صحبت مي‏کنيم، منظورمان دقيقاً معناي مستعمل اين کلمه نيست. اعتماد کاربر الف به کاربر ب به اين مفهوم است که کاربر الف نظراتي مشابه با کاربر ب دارد. اين تشابه مي‏تواند توسط خود کاربر تشخيص داده شده و سپس با برقراري آن، تصريح شود و يا اين‏که تلويحي بودن آن توسط سيستم و از روي رفتارهاي گذشته کاربر تشخيص داده شود.

به‏هرحال در سيستم‏هاي آگاه از اعتماد، عموماً از اعتمادهاي کاربران به يکديگر استفاده مي‏شود. خواه اين روابط به‏طور صريح بيان شده باشند و خواه ضمني. اعتماد صريح هنگامي است که کاربري صراحتاً اعتماد خود را به کاربري ديگر بيان مي‏دارد. در اين‏جا قابل ذکر است که در يک شبکه‏ي اجتماعي[4] معمولاً مجموعه‏اي از اعتمادهاي صريح وجود دارد که به آن شبکه‏ي اعتماد[5] گفته مي‏شود[39]. از طرف ديگر اعتماد ضمني به ارتباطي گفته مي‏شود که از روي مشابهت نظرات دو کاربر به يکديگر، قابل استنتاج توسط سيستم است. به‏عنوان مثالي از نوع ضمني، دو کاربري را فرض کنيد که نرخ‏هاي نزديکي به کتب يکساني داده‏اند. در اين حالت مي‏توان گفت که اين دو کاربر تلويحاً به هم اعتماد دارند و به دليل نزديکي نظرات در گذشته، به احتمال زياد تشابه نظرات در آينده هم دارند. اين بدان…

 

منابع

[1]     J. Buder and C. Schwind, “Learning with personalized recommender systems: A psychological view,” Computers in Human Behavior, vol. 28, pp. 207-216, 1// 2012.

[2]     D. Jannach, M. Zanker, A. Felfernig, and G. Friedrich, Recommender Systems: An Introduction: Cambridge Univ Pr, 2010.

[3]     A. Gil, F. Garc\, and \#237, “E-commerce recommenders: powerful tools for E-business,” Crossroads, vol. 10, pp. 6-6, 2003.

[4]     B. Mojtaba and M. Reza, “A new hybrid recommender system using dynamic fuzzy clustering,” presented at the Proceedings of the 3rd International Conference on Information and Knowledge Technology, 2007.

[5]     W. Hill, L. Stead, M. Rosenstein, and G. Furnas, “Recommending and evaluating choices in a virtual community of use,” presented at the Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, Denver, Colorado, USA, 1995.

[6]     G. Linden, B. Smith, and J. York, “Amazon.com Recommendations: Item-to-Item Collaborative Filtering,” IEEE Internet Computing, vol. 7, pp. 76-80, 2003.

[7]     C. Porcel, A. Tejeda-Lorente, M. A. Mart, #237, nez, and E. Herrera-Viedma, “A hybrid recommender system for the selective dissemination of research resources in a Technology Transfer Office,” Inf. Sci., vol. 184, pp. 1-19, 2012.

[8]     B. N. Miller, I. Albert, S. K. Lam, J. A. Konstan, and J. Riedl, “MovieLens unplugged: experiences with an occasionally connected recommender system,” presented at the Proceedings of the 8th international conference on Intelligent user interfaces, Miami, Florida, USA, 2003.

[9]     N. J. Belkin and W. B. Croft, “Information filtering and information retrieval: two sides of the same coin?,” Commun. ACM, vol. 35, pp. 29-38, 1992.

[10]   L. Chen and K. Sycara, “WebMate: a personal agent for browsing and searching,” presented at the Proceedings of the second international conference on Autonomous agents, Minneapolis, Minnesota, United States, 1998.

[11]   B. Krulwich and C. Burkey, “The InfoFinder Agent: Learning User Interests through Heuristic Phrase Extraction,” IEEE Expert: Intelligent Systems and Their Applications, vol. 12, pp. 22-27, 1997.

[12]   P. Cunningham, R. Bergmann, S. Schmitt, R. Traphöner, S. Breen, and B. Smyth, “WEBSELL: Intelligent Sales Assistants for the World Wide Web,” in Procs. of the Workshop Programme at the Fourth International Conference on Case-Based Reasoning, ed, 2000.

[13]   G. Salton and C. Buckley, “Term-weighting approaches in automatic text retrieval,” Information Processing & Management, vol. 24, pp. 513-523, // 1988.

[14]   K. Lang, “Newsweeder: Learning to filter netnews,” presented at the In Proceedings of the Twelfth International Conference on Machine Learning, 1995.

[15]   R. J. Mooney and L. Roy, “Content-based book recommending using learning for text categorization,” presented at the Proceedings of the fifth ACM conference on Digital libraries, San Antonio, Texas, United States, 2000.

[16]   M. Pazzani and D. Billsus, “Learning and Revising User Profiles: The Identification of Interesting Web Sites,” Machine Learning, vol. 27, pp. 313-331, 1997/06/01 1997.

[17]   G. Adomavicius and A. Tuzhilin, “Title,” unpublished|.

[18]   R. Baeza Yates and B. Neto, Modern Information Retrieval: Addison-Wesley Longman Publishing Co., Inc., 1999.

[19]   G. Salton, Automatic text processing: the transformation, analysis, and retrieval of information by computer: Addison-Wesley, 1989.

[20]   U. Shardanand and P. Maes, “Social information filtering: algorithms for automating “word of mouth”,” presented at the Proceedings of the SIGCHI conference on Human factors in computing systems, 1995.

[21]   J. A. Konstan, B. N. Miller, D. Maltz, J. L. Herlocker, L. R. Gordon, and J. Riedl, “GroupLens: applying collaborative filtering to Usenet news,” Commun. ACM, vol. 40, pp. 77-87, 1997.

[22]   B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Item-based collaborative filtering recommendation algorithms,” presented at the Proceedings of the 10th international conference on World Wide Web, Hong Kong, Hong Kong, 2001.

[23]   J. S. Breese, D. Heckerman, and C. Kadie, “Empirical analysis of predictive algorithms for collaborative filtering,” presented at the Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence, 1998.

[24]   M. Claypool, A. Gokhale, T. Miranda, P. Murnikov, D. Netes, and M. Sartin. (1999). Combining Content-Based and Collaborative Filters in an Online Newspaper. Available: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.145.9794

[25]   P. Cotter and B. Smyth, “PTV: Intelligent Personalised TV Guides,” presented at the Proceedings of the Seventeenth National Conference on Artificial Intelligence and Twelfth Conference on Innovative Applications of Artificial Intelligence, 2000.

[26]   C. Basu, H. Hirsh, and W. Cohen, “Recommendation as classification: using social and content-based information in recommendation,” presented at the Proceedings of the fifteenth national/tenth conference on Artificial intelligence/Innovative applications of artificial intelligence, Madison, Wisconsin, United States, 1998.

[27]   R. Burke, “Hybrid Recommender Systems: Survey and Experiments,” User Modeling and User-Adapted Interaction, vol. 12, pp. 331-370, 2002.

[28]   M. Balabanović, “Exploring Versus Exploiting when Learning User Models for Text Recommendation,” User Modeling and User-Adapted Interaction, vol. 8, pp. 71-102, 1998/03/01 1998.

[29]   J. J. Rocchio, “Relevance feedback in information retrieval,” in The SMART Retrieval System: Experiments in Automatic Document Processing, G. Salton, Ed., ed: Prentice-Hall, Englewood Cliffs NJ, 1971, pp. 313-323.

[30]   M. J. Pazzani, “A Framework for Collaborative, Content-Based and Demographic Filtering,” Artif. Intell. Rev., vol. 13, pp. 393-408, 1999.

[31]   N. Littlestone and M. K. Warmuth, “The Weighted Majority Algorithm,” Information and Computation, vol. 108, pp. 212-261, 2/1/ 1994.

[32]   M. Condliff, D. D. Lewis, D. Madigan, and C. Posse, “Bayesian Mixed-Effects Models for Recommender Systems,” in Proceedings of the ACM SIGIR Workshop on Recommender Systems: Algorithms and Evaluation, ed, 1999.

[33]   I. Schwab, A. Kobsa, and I. Koychev. (2001). Learning User Interests through Positive Examples using Content Analysis and Collaborative Filtering. Available: citeseer.ist.psu.edu/schwab01learning.html

[34]   T. Tran and R. Cohen, “Hybrid Recommender Systems for Electronic Commerce,” in Proceedings of the 17th National Conference on Artificial Intelligence (AAAI), ed, 2000.

[35]   B. Towle and C. Quinn, “Knowledge Based Recommender Systems Using Explicit User Models,” in Papers from the AAAI Workshop, AAAI Technical Report WS-00-04, ed: Menlo Park, CA: AAAI Press, 2000, pp. 74-77.

[36]   C. In-Gook and H. In-Sik, “The implementation of knowledge-based recommender system for electronic commerce using Java expert system library,” in Industrial Electronics, 2001. Proceedings. ISIE 2001. IEEE International Symposium on, 2001, pp. 1766-1770 vol.3.

[37]   S. K. Shinde and U. Kulkarni, “Hybrid personalized recommender system using centering-bunching based clustering algorithm,” Expert Systems with Applications, vol. 39, pp. 1381-1387, 1// 2012.

[38]   L. Candillier, F. Meyer, and F. Fessant, “Designing Specific Weighted Similarity Measures to Improve Collaborative Filtering Systems,” in Advances in Data Mining. Medical Applications, E-Commerce, Marketing, and Theoretical Aspects. vol. 5077, P. Perner, Ed., ed: Springer Berlin Heidelberg, 2008, pp. 242-255.

[39]   Y. Kim and R. Phalak, “A trust prediction framework in rating-based experience sharing social networks without a Web of Trust,” Information Sciences, 2012.

[40]   D. Artz and Y. Gil, “A survey of trust in computer science and the semantic web,” Web Semantics: Science, Services and Agents on the World Wide Web, vol. 5, pp. 58-71, 2007.

[41]   T. Berners-Lee, W. Hall, J. A. Hendler, K. O’Hara, N. Shadbolt, and D. J. Weitzner, “A framework for web science,” Found. Trends Web Sci., vol. 1, pp. 1-130, 2006.

[42]   T. Berners-Lee, J. Hendler, and O. Lassila, “The semantic web,” Scientific american, vol. 284, pp. 28-37 %L 14472, 2001.

[43]   T. Lee, Weaving the Web: {Texere Publishing Ltd.}, 1999.

[44]   W. Yuan, D. Guan, Y. K. Lee, S. Lee, and S. J. Hur, “Improved trust-aware recommender system using small-worldness of trust networks,” Knowledge-Based Systems, vol. 23, pp. 232-238, 2010.

[45]   Q. Shambour and J. Lu, “A trust-semantic fusion-based recommendation approach for e-business applications,” Decision Support Systems, vol. 54, pp. 768-780, 12// 2012.

[46]   C. S. Hwang and Y. P. Chen, “Using trust in collaborative filtering recommendation,” vol. 4570 LNAI, ed, 2007, pp. 1052-1060.

[47]   J. O’Donovan and B. Smyth, “Trust in recommender systems,” presented at the Proceedings of the 10th international conference on Intelligent user interfaces, San Diego, California, USA, 2005.

[48]   D.-R. Liu, C.-H. Lai, and H. Chiu, “Sequence-based trust in collaborative filtering for document recommendation,” International Journal of Human-Computer Studies, vol. 69, pp. 587-601, 8// 2011.

[49]   S. Wang, A. Isaac, B. Schopman, S. Schlobach, and L. Meij, “Matching Multi-lingual Subject Vocabularies,” in Research and Advanced Technology for Digital Libraries. vol. 5714, M. Agosti, J. Borbinha, S. Kapidakis, C. Papatheodorou, and G. Tsakonas, Eds., ed: Springer Berlin Heidelberg, 2009, pp. 125-137.

[50]   A. Isaac, L. Meij, S. Schlobach, and S. Wang, “An Empirical Study of Instance-Based Ontology Matching,” in The Semantic Web. vol. 4825, K. Aberer, K.-S. Choi, N. Noy, D. Allemang, K.-I. Lee, L. Nixon, et al., Eds., ed: Springer Berlin Heidelberg, 2007, pp. 253-266.

[51]   E. T. O’Neill and L. Mai Chan, “FAST (Faceted Application of Subject Terminology): a simplified vocabulary based on the Library of Congress Subject Headings,” IFLA Journal, vol. 29, pp. 336-342, December 1, 2003 2003.

[52]   M. Ruiz-Montiel and J. Aldana-Montes, “Semantically Enhanced Recommender Systems,” in On the Move to Meaningful Internet Systems: OTM 2009 Workshops. vol. 5872, R. Meersman, P. Herrero, and T. Dillon, Eds., ed: Springer Berlin Heidelberg, 2009, pp. 604-609.

[53]   Y. Blanco-Fernández, J. J. Pazos-Arias, A. Gil-Solla, M. Ramos-Cabrer, M. López-Nores, J. García-Duque, et al., “Exploiting synergies between semantic reasoning and personalization strategies in intelligent recommender systems: A case study,” Journal of Systems and Software, vol. 81, pp. 2371-2385, 12// 2008.

[54]   P. N. Steinbach, M. Kumar, and V. Tan, “Introduction to data mining,” International Edition.–NY.: Addison Wesley, 2006.

[55]   M. Abasi and M. B. Ghaznavi-Ghoushchi, “Low-Power Themes Classifier (LPTC): A Human-Expert-Based Approach for Classification of Scientific Papers/Theses with Low-Power Theme,” Intelligent Information Management, vol. 4, pp. 364-382, 2012.

[56]   J. Herlocker, J. A. Konstan, and J. Riedl, “An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms,” Information retrieval, vol. 5, pp. 287-310, 2002.

[57]   P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, and J. Riedl, “GroupLens: an open architecture for collaborative filtering of netnews,” presented at the Proceedings of the 1994 ACM conference on Computer supported cooperative work, 1994.

[58]   E. Rich, “User modeling via stereotypes,” Cognitive Science, vol. 3, pp. 329-354, 10// 1979.

[59]   J. D. Powell, Approximation Theory and Methods: Cambridge University Press, 1981.

[60]   J. S. Armstrong, Principles of Forecasting: A Handbook for Researchers and Practitioners: Springer, 2001.

[61]   B. P. S. Murthi and S. Sarkar, “The Role of the Management Sciences in Research on Personalization,” Manage. Sci., vol. 49, pp. 1344-1362, 2003.

[62]   G. L. Lilien, P. Kotler, and K. S. Moorthy, Marketing models: Prentice-Hall of India, 2003.

[63]   I. Guy and D. Carmel, “Social recommender systems,” presented at the Proceedings of the 20th international conference companion on World wide web, Hyderabad, India, 2011.

[64]   I. Guy, N. Zwerdling, I. Ronen, D. Carmel, and E. Uziel, “Social media recommendation based on people and tags,” presented at the Proceedings of the 33rd international ACM SIGIR conference on Research and development in information retrieval, Geneva, Switzerland, 2010.

[65]   B. Sigurbjörnsson and R. v. Zwol, “Flickr tag recommendation based on collective knowledge,” presented at the Proceedings of the 17th international conference on World Wide Web, Beijing, China, 2008.

[66]   I. Guy, I. Ronen, and E. Wilcox, “Do you know?: recommending people to invite into your social network,” presented at the Proceedings of the 14th international conference on Intelligent user interfaces, Sanibel Island, Florida, USA, 2009.

[67]   W.-Y. Chen, J.-C. Chu, J. Luan, H. Bai, Y. Wang, and E. Y. Chang, “Collaborative filtering for orkut communities: discovery of user latent behavior,” presented at the Proceedings of the 18th international conference on World wide web, Madrid, Spain, 2009.

[68]   P. Singla and M. Richardson, “Yes, there is a correlation:-from social networks to personal behavior on the web,” presented at the Proceedings of the 17th international conference on World Wide Web, 2008.

[69]   M. Jamali and M. Ester, “TrustWalker: a random walk model for combining trust-based and item-based recommendation,” presented at the Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, 2009.

[70]   J. A. Golbeck, “Computing and applying trust in web-based social networks,” University of Maryland at College Park, 2005.

[71]   P. Massa and P. Avesani, “Trust-aware recommender systems,” presented at the Proceedings of the 2007 ACM conference on Recommender systems, 2007.

[72]   A. Seth, J. Zhang, and R. Cohen, “Bayesian credibility modeling for personalized recommendation in participatory media,” User Modeling, Adaptation, and Personalization, pp. 279-290, 2010.

[73]   M. Chowdhury, A. Thomo, and B. Wadge, “Trust-based infinitesimals for enhanced collaborative filtering,” presented at the Proceedings of the 15th International Conference on Management of Data (COMAD), 2009.

[74]   S. Ray and A. Mahanti, “Improving prediction accuracy in trust-aware recommender systems,” presented at the System Sciences (HICSS), 2010 43rd Hawaii International Conference on, 2010.

[75]   R. Rafter, M. O’Mahony, N. Hurley, and B. Smyth, “What have the neighbours ever done for us? a collaborative filtering perspective,” User Modeling, Adaptation, and Personalization, pp. 355-360, 2009.

[76]   J. L. Herlocker, J. A. Konstan, and J. Riedl, “Explaining collaborative filtering recommendations,” presented at the Proceedings of the 2000 ACM conference on Computer supported cooperative work, 2000.

[77]   P. Massa and P. Avesani, “Trust-aware bootstrapping of recommender systems,” presented at the ECAI 2006 Workshop on Recommender Systems, Riva del Garda, Italy, 2006.

[78]   J. 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,” Expert Systems with Applications, vol. 39, pp. 172-186, 1// 2012.

[79]   K. H. L. Tso-Sutter, L. B. Marinho, and L. Schmidt-Thieme, “Tag-aware recommender systems by fusion of collaborative filtering algorithms,” presented at the Proceedings of the 2008 ACM symposium on Applied computing, Fortaleza, Ceara, Brazil, 2008.

[80]   J. Bobadilla, F. Serradilla, and J. Bernal, “A new collaborative filtering metric that improves the behavior of recommender systems,” Knowledge-Based Systems, vol. 23, pp. 520-528, 8// 2010.

[81]   P. Bedi, R. Sharma, and H. Kaur, “Recommender System Based on Collaborative Behavior of Ants,” ed: Asian Network for Scientific Information, 2009.

[82]   P. Symeonidis, A. Nanopoulos, A. N. Papadopoulos, and Y. Manolopoulos, “Collaborative recommender systems: Combining effectiveness and efficiency,” Expert Systems with Applications, vol. 34, pp. 2995-3013, 5// 2008.

[83]   B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Analysis of recommendation algorithms for e-commerce,” presented at the Proceedings of the 2nd ACM conference on Electronic commerce, Minneapolis, Minnesota, United States, 2000.

[84]   M. Montaner, B. López, and J. de la Rosa, “A Taxonomy of Recommender Agents on the Internet,” Artificial Intelligence Review, vol. 19, pp. 285-330, 2003/06/01 2003.

[85]   H.-N. Kim, A. El-Saddik, and G.-S. Jo, “Collaborative error-reflected models for cold-start recommender systems,” Decision Support Systems, vol. 51, pp. 519-531, 6// 2011.

[86]   W. Rui-qin and K. Fan-Sheng, “Semantic-Enhanced Personalized Recommender System,” in Machine Learning and Cybernetics, 2007 International Conference on, 2007, pp. 4069-4074.

[87]   J. Bobadilla, F. Ortega, A. Hernando, and J. Alcalá, “Improving collaborative filtering recommender system results and performance using genetic algorithms,” Knowledge-Based Systems, vol. 24, pp. 1310-1316, 12// 2011.

[88]   X. Guo and J. Lu, “Intelligent e-government services with personalized recommendation techniques: Research Articles,” Int. J. Intell. Syst., vol. 22, pp. 401-417, 2007.

[89]   J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, “Evaluating collaborative filtering recommender systems,” ACM Trans. Inf. Syst., vol. 22, pp. 5-53, 2004.

[90]   P. Massa and P. Avesani, “Trust-Aware Collaborative Filtering for Recommender Systems,” in On the Move to Meaningful Internet Systems 2004: CoopIS, DOA, and ODBASE. vol. 3290, R. Meersman and Z. Tari, Eds., ed: Springer Berlin Heidelberg, 2004, pp. 492-508.

[91]   L. Arockiam, S. Charles, C. Lalitha, and I. Carol, “A Recommender System for Sweaty Sock Syndrome,” in Advances in Computer Science and Information Technology. Networks and Communications. vol. 84, N. Meghanathan, N. Chaki, and D. Nagamalai, Eds., ed: Springer Berlin Heidelberg, 2012, pp. 90-96.

[92]   S.-C. Kim, J.-W. Ko, J.-S. cho, and S. Kim, “Collaborative Filtering Recommender System Based on Social Network,” in IT Convergence and Services. vol. 107, J. J. Park, H. Arabnia, H.-B. Chang, and T. Shon, Eds., ed: Springer Netherlands, 2011, pp. 503-510.

[93]   H. Ma, D. Zhou, C. Liu, M. R. Lyu, and I. King, “Recommender systems with social regularization,” presented at the Proceedings of the fourth ACM international conference on Web search and data mining, Hong Kong, China, 2011.

[94]   J. Konstan and J. Riedl, “Recommender systems: from algorithms to user experience,” User Modeling and User-Adapted Interaction, vol. 22, pp. 101-123, 2012/04/01 2012.

[95]   J. L. Herlocker, J. A. Konstan, A. Borchers, and J. Riedl, “An algorithmic framework for performing collaborative filtering,” presented at the Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval, Berkeley, California, United States, 1999.

[96]   A. Bouza, G. Reif, A. Bernstein, and H. Gall, “Semtree: Ontology-based decision tree algorithm for recommender systems,” in Proceedings of the Seventh International Semantic Web Conference (ISWC2008),(October 2008), 2008.

.

.

.

جهت دریافت و خرید متن کامل پایان نامه و تحقیق و مقاله مربوطه بر روی گزینه خرید که در بالای صفحه قرار دارد کلیک نمایید و پس از وارد کردن مشخصات خود به درگاه بانک متصل شده که از طریق کلیه کارت هایی عضو شتاب قابل پرداخت می باشید و بلافاصله بعد از پرداخت انلاین به صورت خودکار لینک دانلود مربوطه فعال گردیده که قادر به دانلود فایل کامل ان می باشد.

 

5 نظر

  1. سلام . من عملیات خرید رو انجام دادم و پول از حسابم کم شد . ولی متاسفانه خطا رخ داد . لطفا راهنماییم کنید

  2. با سلام و وقت بخیر . من یک فایل با عنوان “سیستم های پیشنهاد دهنده در شبکه های اجتماعی ” خریداری کردم و پول از حسابم کم شد و و در انتها خطا رخ داد .

پاسخ دهید