مقالات ترجمه شده

زمانبندی در سیستم های توصیه گر

عنوان فارسی

زمانبندی در سیستم های توصیه گر


عنوان لاتین

Timeliness in recommender systems

مشخصات کلی

سال انتشار 2017
کد مقاله 2650
فرمت فایل ترجمه Word
تعداد صفحات ترجمه 20
نام مجله Expert Systems With Applications
نشریه ScienceDirect
درج جداول و شکل ها در ترجمه انجام شده است
جداول داخل مقاله ترجمه شده است

چکیده فارسی

سیستم های توصیه گر بنا به کارآیی سطح بالا در یافتن مرتبط ترین محصولات آنلاین برای کاربران از اقیانوس اطلاعات اینک برای بسیاری از وبسایت های تجاری بکار گرفته شده اند. در این میان بسیاری از الگوریتم های توصیه به منظور افزایش دقت و تنوع توصیه توسعه یافته اند. به هر حال آیتم های توصیه شده در این الگوریتم ها خواه به موقع باشند یا نباشند به خوبی درک نشده اند. به منظور بررسی این مشکل بخش داده های زمانی را در نظر می گیریم که براساس زمانبندی بر روی لینک ها آن ها را به مجموعه تحقیق و آموزش تقسیم بندی می کند. ما پی می بریم که دقت توصیه بسیاری از الگوریتم ها در بخش داده های زمانی نسبت به بخش داده های تصادفی بسیار پایین تر است. با معیار زمانبندی پی می بریم که علت دقت پایین تمایل این الگوریتم ها به توصیه آیتم های منسوخ و قدیمی می باشد که با بخش داده های تصادفی قابل شناسایی نیستند. به منظور حل این مشکل الگوریتم های توصیه در نظر گرفته شده را با عامل زمانبندی توسعه می دهیم. الگوریتم های حاصل می توانند با قدرت از احتمال توصیه آیتم های منسوخ ممانعت کنند. در عین حال، دقت توصیه اساسا افزایش یافته است.

چکیده لاتین

Due to the high efficiency in finding the most relevant online products for users from the information ocean, recommender systems have now been applied to many commercial web sites. Meanwhile, many recommendation algorithms have been developed to improve the recommendation accuracy and diversity. However, whether the recommended items are timely or not in these algorithms has not yet been well understood. To investigate this problem, we consider a temporal data division which divides the links to probe set and training set strictly according to the time stamp on links. We find that the recommendation accuracy of many algorithms are much lower in temporal data division than in the random data division.With a timeliness metric, we find that the low accuracy is caused by the tendency of these algorithms to recommend out-of-date items, which cannot be detected with the random data division. To solve this problem, we improve the considered recommendation algorithms with a timeliness factor. The resulting algorithms can strongly suppress the probability of recommending obsolete items. Meanwhile, the recommendation accuracy is substantially enhanced.

خرید و دانلود ترجمه این مقاله:

جهت خرید این مقاله ابتدا روی لینک زیر کلیک کنید، به صفحه ای وارد می شوید که باید نام و ایمیل خود را وارد کنید و پس از آن روی دکمه خرید و پرداخت کلیک نمایید، پس از پرداخت بلافاصله به سایت بازگشته و می توانید فایل خود را دانلود کنید، همچنین لینک دانلود به ایمیل شما نیز ارسال خواهد شد.

دیدگاه ها

هیچ دیدگاهی برای این مقاله ثبت نشده است

ارسال دیدگاه

مقالات معتبر علمی از ژورنال های ISI