زمانبندی در سیستم های توصیه گر

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

زمانبندی در سیستم های توصیه گر

عنوان لاتین

Timeliness in recommender systems

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.

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a timeliness metric, we find that the low accuracy is caused by the tendency of these algorithms to recommend out-of-date items, which cannot be detected with the random data division.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.