NWS_RS: شخصی‌سازی پیشنهادات براساس اطلاعات کاربران و معیار شباهت وزن‌دار جدید

•   آرشیو : نسخه بهار 1398
•   موضوع : سایر شاخه های علوم رایانه
• نویسنده/گان : مصطفی خلجی
•   چکیده :
  با توجه به افزایش اطلاعات در فضای اینترنت، سیستم‌های توصیه‌گر به ابزاری توانمند برای پیداکردن سلایق، راهنمایی و هدایت کاربران به سمت اقلام مورد نیاز، تبدیل شده‌اند. پالایش همکارانه یکی از رویکردهای اصلی این سیستم‌ها در امر پیداکردن کاربران هم سلیقه و پیش‌بینی میزان علائق کاربران به اقلام خاص است. با افزایش تعداد کاربران و اقلام در سیستم، این رویکرد دچار مشکل مقیاس‌پذیری می‌شود. از طرفی با توجه به تنک بودن ماتریس امتیازات، عملکرد سیستم کاهش می‌باید. از این رو، هدف این مقاله ارائه یک سیستم توصیه‌گر برای شخصی‌سازی پیشنهادات براساس اطلاعات کاربران به همراه معیارشباهت وزن‌دار جدید با نام NWS است. با بکارگیری اطلاعات جمعیتی کاربران از قبیل بازه‌ی سنی، می‌توان مشکل مقیاس‌پذیری را مدیریت کرد و پیشنهادات را برای کاربران شخصی‌سازی کرد. سیستم توصیه‌گر پیشنهادی مبتنی بر پالایش همکارانه کاربر محور بوده و با استفاده از درجه اطمینان تشابه کاربران به عنوان یک وزن‌ در روند پیش‌بینی، عملکرد سیستم را ارتقا می‌دهد. نتایج آزمایشات سیستم توصیه‌گر پیشنهادی برروی مجموعه داده MovieLens صورت گرفته و ارزیابی سیستم با استفاده از معیارهای MAE، Accuracy، Precision، Recall و F1، بیانگر بهبود خطای پیش‌بینی، افزایش عملکرد و کارایی سیستم توصیه‌گر پیشنهادی نسبت به سایر روش‌های پالایش همکارانه‌ای است که از معیارهای ‌شباهت‌ مختلفی در امر پیشنهاددهی، استفاده می‌کنند. حداکثر نرخ خطای بهبود یافته سیستم 17.4 درصد و 20.2 درصد به ترتیب برای کاربران 20 تا 39 سال و کاربران 40 تا 60 سال می‌باشد. واژگان کليدي: سیستم‌ توصیه‌گر، پالایش همکارانه، معیارشباهت وزن‌دار جدید NWS، شخصی‌سازی پیشنهادات. ﻫﺪف در اﯾﻦ ﻣﻘﺎﻟﻪ، ﺣﻞ ﯾﮏ ﻣﺴﺄﻟﻪ انتگرال فردهلم نوع اول به کمک الگوریتم فرا اکتشافی جستجوی فاخته اصلاح شده است. معمولا حل تحلیلی معادلات انتگرال دو بعدی مشکل و بسیار پیچیده می باشد و از این‌ رو ﺑﺮای ﺣﻞ این چنین مسائل از روش‌های ﻋﺪدی اﺳﺘﻔﺎده می‌شود. روش‌های ﻋﺪدی ﺑﺴﯿﺎری وﺟﻮد دارد ﮐﻪ هرکدام دارای دقت متفاوتی هستند. اﻣﺎ روش‌ ارائه‌ شده در اﯾﻦ ﻣﻘﺎﻟﻪ دارای مزیت‌هایی ﻧﺴﺒﺖ ﺑﻪ سایر روش‌های ﻣﻮﺟﻮد می‌باشد. پیاده‌سازی آن‌ها ساده‌تر ، زﻣﺎن اﺟﺮای ﮐﻤﺘﺮ و ﺗﻘﺮﯾﺐ ﺣﺎﺻﻠﻪ ﺑﻬﺘﺮ می‌باشد. روش حل مسئله به کمک الگوریتم ارائه شده به این صورت است که اﺑﺘﺪا در فضای مسئله چند جواب احتمالی را حدس میزنیم، بعد از آن ﺑﺎ اﺳﺘﻔﺎده از تابع هزینه که خود شامل چندین روش عددی است به ارزیابی جواب های حدس زده می پردازیم سپس با حذف جواب هایی با دقت کمتر سعی در رسیدن به بهترین جواب با کمترین هزینه را داریم. در آخر با حل چند مثال به مقایسه بین جواب واقعی و جواب به دست آمده از این الگوریتم پرداخته ایم که نتایج به صورت قابل توجهی دقیق و با سرعت بالا به دست آمده است.
•   کلید واژه : ﻣﻌﺎدﻟﻪدﯾﻔﺮاﻧﺴﯿﻞ، روش جستجوی فاخته ،انتگرال فردهلم نوع اول
•   Title : Solving the Fredholm first kind integral with the modified cuckoo Search method
•   Abstract :
  The purpose of this paper is to solve a fredholm first kind integral problem with the help of the exploratory algorithm for modified cuckoo search optimization. Analytical solution of two-dimensional integral equations is usually difficult and very complex, and numerical methods are used to solve such problems. There are many numerical methods, each of which is precise. But the method presented in this article have advantages over existing methods. Their implementation is simpler, It has a short run time and is more accurate. The problem-solving method using the proposed algorithm is that we can guess some possible answers in the problem space. After that, we will evaluate the estimated answers from the cost function (which includes several numerical methods). Then, by removing the answers with less accuracy, we will try to reach the best answer with the lowest cost.
•   مراجع :
  [1] J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques. Elsevier, 2011.
  [2] H. Liu and H. Motoda, Feature selection for knowledge discovery and data mining, vol. 454. Springer Science & Business.
  [3] Al-Tashi, Q., Abdulkadir, S. J., Rais, H. M., Mirjalili, S., & Alhussian, H. (2019). Binary Optimization Using Hybrid Grey Wolf Optimization for Feature Selection. IEEE Access, 1–1.doi:10.1109/access.2019.2906757.
  [4] Li, Y, Li, T. & Liu, H. (2017). Recent advances in feature selection and its applica- tions. Knowledge and Information Systems, 53 (3), 551–577.
  [5] Z. Avazzadeh, and M.Heydari, Chebyshev polynomials for solving two dimensional linear and nonlinear integral equations of the second kind, Comput. and Appl. Math., 31(1) (2012) 127-142.
  [6] M. Rahimi, Y.Shahmorad, , S.Talati, And F.Tari, An Operational Method for The Numerical Solution of Two Dimensional Linear Fredholm Integral Equations with an Error Estimation, Bulletin of the Iranian Mathematical Society, 36(2) (2010) 119-132..
  [7] E.Tohidi, , Taylor matrix method for solving linear two-dimensional Fredholm integral equations with Piecewise Intervals, Computational and Applied Mathematics, 34(3) (2015) 1117-1130
  [8] Wazwaz, A. M. (2011). ”Linear and nonlinear integral equations: methods and applications”. Springer Science & Business Media.
  [9] Mirzaee, F. and Hadadiyan, E., Numerical solution of linear Fredholm integral equations via two-dimensional modification of hat functions, Appl. Math. Comput., 250 (2015) 805-816.
  [10] Guoqiang, H. and Wang, R., Richardson extrapolation of iterated discrete Galerkin solution for twodimensional Fredholm integral equations, J. Comput. and Appl. Math.,139 (2002) 4963.
  
  [11]Guoqiang, H. and Jiong, W., Extrapolation of Nystrom solution for two-dimensional nonlinear Fredholm integral equations, J. Comput. and Appl. Math., 134 (2001) 259-268.
  [12] Lin, Q., Sloan, I. H. and Xie R., Extrapolation of the iteration collocation method for integral equations of the second kind, SIAM J. Numer. Anal., 27 (1990) 1535-1541.
  [13] McLean, W., Asymptotic error expansions for numerical solutions of integral equations, IMA J. Numer. Anal.,9(1989) 373-384.
  [14 ] Rajabioun, R. (2011). Cuckoo optimization algorithm. Applied soft computing, 11(8), 5508-5518
•  صفحات : 1-14
•   دانلود فایل ( 725.20 KB )