توصیه گر آگاه از زمینه (بافت) با استفاده از طبقه بندی چند برچسبی

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

توصیه گر آگاه از زمینه (بافت) با استفاده از طبقه بندی چند برچسبی

عنوان لاتین

Context Recommendation Using Multi-Label Classification

سیستم های توصیه گر آگاه از زمینه (بافت) (CARS) بسطی از توصیه گرهای سنتی هستند که شرایط زمینه کاربری که به وی توصیه ارائه می کنند را در نظر می گیرند. اما هنوز مساله توصیه بر پیشنهاد یک مجموعه از عناصر به کاربر هدف تمرکز دارد. در این مقاله، مساله توصیه زمینه های مناسب به یک کاربر که باید عنصری را انتخاب کند، مد نظر قرار می دهیم. باور داریم که توصیه های آگاه از زمینه را می توان به عنوان مجموعه دیگری از ابزارها برای کمک به تصمیم گیری کاربر مورد استفاده قرار داد. مساله توصیه های آگاه از زمینه را فرموله کرده و به بحث درمورد انگیزه پشت آن و کاربردهای ممکن این مفهوم می پردازیم. دو کلاس کلی از الگوریتم ها را برای حل این مساله شناسایی کردیم: پیش بینی متن مستقیم و توصیه متن غیرمستقیم. علاوه بر این، به ارائه و ارزیابی چندین الگوریتم پیش بینی زمینه مستقیم بر اساس طبقه بندی چند-برچسبی (MLC) پرداختیم. آزمایشات ما نشان می دهند که رویکردهای توصیه گر بهتر از روش های پایه عمل کرده و شخصی سازی برای بهبود اثربخشی توصیه گرهای آگاه از زمینه مورد نیاز است.

Context-aware recommender systems (CARS) are extensions of traditional recommenders that also take into account contextual condition of a user to whom a recommendation is made. The recommendation problem is, however, still focused on recommending a set of items to a target user. In this paper, we consider the problem of recommending to a user the appropriate contexts in which an item should be selected. We believe that context recommenders can be used as another set of tools to assist users’ decision making. We formulate the context recommendation problem and discuss the motivation behind and possible applications of the concept. We identify two general classes of algorithms to solve this problem: direct context prediction and indirect context recommendation. Furthermore, we present and evaluate several direct context prediction algorithms based on multi-label classification (MLC). Our experiments demonstrate that the proposed approaches outperform the baseline methods, and also that personalization is required to enhance the effectiveness of context recommenders.