دانلود ترجمه مقاله سیستم توصیه گر هوشمند با استفاده از مسیر اعتماد اجتماعی

1. مقدمه 2. کارهای مرتبط 3. چارچوب توصیه اجتماعی 4. تحلیل تجربی 5. نتیجه گیری

چکیده – در این مقاله، رویکرد منظم سازی اجتماعی، که شامل اطلاعات شبکه اجتماعی برای مزیت رساندن برای سیستم های توصیه گر است، را با اطلاعات اعتماد بین کاربران، ترکیب می کنیم. هر دوی رکوردهای اعتماد و نمره بندی (تگ ها) برای پیش بینی مقادیر خالی (تگ ها) در ماتریس «کاربر-آیتم»، بکار گرفته می شوند. بخصوص اینکه، از الگوریتمی برای دستیابی به بهترین مسیر اعتماد توصیه شده استفاده می کنیم تا چندین مسیر اعتماد توصیه شده را مشخص کنیم و یک مسیر تجمعی برای تولید توصیه های نهایی مختلف، استفاده می کنیم. تحلیل های تجربی در مورد مجموعه داده های حقیقی نشان می دهند که ترکیب اطلاعات اجتماعی و اعتماد، باعث حصول عملکرد عالی برای رویکردهای موجود می گردد. نتیجه گیری: در این مقاله، ترکیب رویکرد منظم سازی اجتماعی، که از اطلاعات شبکه اجتماعی برای منفعت رسانی به سیستم های توصیه گر استفاده می کند، و اطلاعات اعتماد، برای شناسایی یک مسیر اعتماد تجمعی در یک گراف اجتماعی، ارائه دادیم. براساس این درک شهودی که شبکه اجتماعی یک کاربر بر توصیه این کاربر تاثیر می گذارد و اهمیت تعاملات بین کاربران در شبکه اجتماعی، یک چارچوب با ترکیب یک ماتریس نمره بندی «کاربر-آیتم» و شبکه اجتماعی کاربر را با استفاده از فاکتور گیری ماتریسی، با انتخاب مسیر اعتماد توصیه شده جهت افزودن دقت بیشتر به توصیه های نهایی، ارائه دادیم. نتایج تجربی نشان می دهند که این ترکیب عملکرد بهتری نسبت به الگوریتم های صافی سازی مشارکتی سنتی دارد و می تواند از مسئله شروع سرد اجتناب کند. علاوه بر آن، از ماتریس های مختلف برای ارزیابی عملکرد و ارزیابی سیستم توصیه گر خودمان استفاده کردیم.

In this paper, we combine a social regularization approach that incorporates social network information to benefit recommender systems with the trust information between users. Both trust and rating records (tags) are employed to predict the missing values (tags) in the user-item matrix. Especially, we use an algorithm for best recommended trust path selection, to identify multiple recommended trust paths and to determine an aggregate path for generating different final recommendations. Empirical analyses on real datasets show that the combination of social information and trust achieves superior performance to existing approaches. Conclusion: In this paper, we presented a fusion of a social regularization approach that incorporates social network information to benefit recommender systems and trust information to identify an aggregate trust path in a social graph. Based on the intuition that a user’s social network will affect this user’s recommendation and the importance of interactions between users in social network, we presented a framework fusing a user-item rating matrix and the user’s social network using matrix factorization with a selection of the recommended trust path to add more accuracy to the final recommendations. The experimental results show that this combination outperforms the traditional collaborative filtering algorithms and can avoid the cold start problem. Moreover, we used different metrics to evaluate the performance and accuracy of our recommender system.

ترجمه این مقاله در 17 صفحه آماده شده و در ادامه نیز صفحه 7 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.