دانلود ترجمه مقاله سیستم های پیشنهاددهنده سرگرمی برای گروهی از کاربران

1. مقدمه 2. مروری بر سیستم پیشنهادهنده‌ی گروهی 3. پیشنهاد موسیقی به گروه کاربران 4. پیشنهاد فیلم برای گروه کاربران 5. نتایج آزمایش 6. بحث و بررسی و تجزیه و تحلیل 7. کارهای مرتبط 8. نتیجه گیری

چکیده – سیستم‌های پیشنهاددهنده به منظور پیشنهاد آیتمهای جذاب به کاربران در حوزه‌های گوناگون مورد استفاده قرار می‌گیرند. امروزه، حوزه‌های فراوانی وجود دارد که در آن‌ها نیاز به پیشنهاد به گروهی از کاربران به جای پیشنهاد به هر کاربر وجود دارد. در نتیجه، توجه به اولویت‌های هر عضو از گروه کاربران لازم است تا پیشنهاداتی برای گروه به طور کلی فراهم شود. سیستم‌های پیشنهاددهنده‌ی گروهی، مجموعه‌ای کامل از چالش‌های جدید در زمینه‌ی سیستم‌های پیشنهاددهنده معرفی می‌کند. در این مقاله، ما دو سیستم پیشنهاددهنده‌ی حرفه‌ای را معرفی می‌کنیم که آیتم های سرگرمی را به گروهی از کاربران پیشنهاد می‌دهند. این سیستم‌ها، یعنیjMusicGroupRecommender و jMoviesGroupRecommender ‌موسیقی و فیلم‌هایی را پیشنهاد می‌دهند و از روش‌های گوناگون برای ایجاد پیشنهادات گروهی استفاده می‌کنند: ادغام پیشنهادات ایجاد شده برای افراد، تجمیع رتبه های افراد و ایجاد مدل‌های اولویت گروهی. همچنین ما نتایج به دست آمده هنگام مقایسه‌ی تکنیک‌های گوناگون پیشنهاد گروهی در هر دو حوزه را توصیف می‌کنیم. مقدمه: به علت نیاز به کمک به کاربران، سیستم‌های پیشنهاددهنده با انواع گوناگونی از آیتم‌های جذاب در یک حوزه‌ی معین، توسط شناسایی آیتم‌هایی که با اولویت‌ها، سلیقه و نیازهای کاربر مطابقت دارند، پدیدار گشته‌اند. این سیستم‌ها برای ارائه‌ی پیشنهادات به کاربران در مورد آیتم‌های جذاب در حوزه‌های گوناگون مانند تجارت الکترونیک (شافر، فرانکاسکی، هرلاکر و سن 2007)، فیلم (میلر، آلبرت، لم، کانستان و ریدی 2003)، گردشگری (چیافینو و امندی 2009)، رستوران‌ها (برک، هاموند و یانگ، 1996) و موارد دیگر مورد استفاده قرار می‌گیرند.

Recommender systems are used to recommend potentially interesting items to users in different domains. Nowadays, there is a wide range of domains in which there is a need to offer recommendations to group of users instead of individual users. As a consequence, there is also a need to address the preferences of individual members of a group of users so as to provide suggestions for groups as a whole. Group recommender systems present a whole set of new challenges within the field of recommender systems. In this article, we present two expert recommender systems that suggest entertainment to groups of users. These systems, jMusicGroupRecommender and jMoviesGroupRecommender, suggest music and movies and utilize different methods for the generation of group recommendations: merging recommendations made for individuals, aggregation of individuals’ ratings, and construction of group preference models. We also describe the results obtained when comparing different group recommendation techniques in both domains. Introduction: Recommender systems appeared due to the need to provide assistance to users with a wide variety of potentially interesting items in a given domain, by identifying items that matched a user’s preferences, tastes, and needs. These systems are used to give users suggestions about interesting items in different domains, such as e-commerce (Schafer, Frankowski, Herlocker, & Sen, 2007, chap. 9), movies (Miller, Albert, Lam, Konstan, & Riedl, 2003), tourism (Schiaffino & Amandi, 2009) and restaurants (Burke, Hammond, & Young, 1996), among others.