دانلود ترجمه مقاله خوشه بندی زمانی در سیستم توصیه گر اجتماعی

1. مقدمه 2. کارهای مرتبط 3. روش پیشنهادی 4. نتایج تجربی 5. نتیجه گیری

چکیده – هدف سیستم های توصیه گر، توصیه آیتم های مرتبط با کاربران از میان تعداد زیادی آیتم موجود است. این سیستم ها، با موفقیت در صنایع مختلف، مانند تجارت الکترونیک، آموزش و پرورش و سلامت دیجیتال، بکار گرفته شده اند. از سوی دیگر، روش های خوشه بندی می توانند به سیستم های توصیه گر در گروه بندی کاربران به خوشه های مناسب، که به عنوان همسایه در فرآیند پیش بینی در نظر گرفته می شوند، کمک کنند. اگرچه این حقیقت دارد که اولویت ها و ذائقه های کاربران در گذر زمان تغییر می کند، اما روش های خوشه بندی سنتی نمی توانند این عامل مهم را مورد ملاحظه قرار دهند. برای پرداختن به این مسئله، یک سیستم توصیه گر اجتماعی در این مقاله پیشنهاد شده است که براساس روش خوشه بندی زمانی است. مخصوصاً اینکه، اطلاعات زمانی نمره های ارائه شده توسط کاربران در مورد آیتم ها و همچنین اجتماعی در میان کاربران در روش پیشنهادی، مورد ملاحظه قرار می گیرند. نتایج تجربی در مورد یک مجموعه داده مبنا، نشان می دهند که کیفیت توصیه ها براساس روش پیشنهادی به میزان قابل توجهی بیشتر از روش های نوین از نظر هر دو معیارهای دقت و پوشش می باشد. نتیجه گیری: در این مقاله، یک سیستم توصیه گر اجتماعی براساس روش خوشه بندی زمانی برای در نظر گرفتن اثرات زمان رتبه بندی ارائه شده توسط کاربران، پیشنهاد می شود. به این منظور، یک معیار شباهت زمانی معرفی می شود، که وزن های بالاتری به نمره های اخیر نسبت به نمره های قدیمی، اختصاص می دهد. علاوه بر آن، شبکه کاربران با استفاده از مقادیر شباهت زمانی، و روابط اجتماعی بین کاربران، ساخته می شود. سپس، شبکه کاربران برای گروه بندی کاربران به خوشه های مناسب با روش خوشه بندی زمانی، استفاده می شود. برای رسیدن به این هدف، یک روش مبتنی بر گراف برای یافتن اتوماتیک مجموعه مراکز اولیه، بکار گرفته می شود. در آخر، یک فرآیند تکرار شونده برای پیدا کردن خوشه های نهایی استفاده می شود و از آنها به عنوان همسایه ها در فرآیند توصیه، استفاده می گردد. نتایج تجربی با استفاده از یک مجموعه داده معیار، نشان می دهند که روش پیشنهادی نسبت به دیگر روش های توصیه گر، از نظر معیارهای دقت و پوشش، عملکردی برتر و بهتر دارد.

Recommender systems aim to suggest relevant items to users among a large number of available items. They have been successfully applied in various industries, such as ecommerce, education and digital health. On the other hand, clustering approaches can help the recommender systems to group users into appropriate clusters, which are considered as neighborhoods in prediction process. Although it is a fact that preferences of users vary over time, traditional clustering approaches fail to consider this important factor. To address this problem, a social recommender system is proposed in this paper, which is based on a temporal clustering approach. Specifically, the temporal information of ratings provided by users on items and also social information among the users are considered in the proposed method. Experimental results on a benchmark dataset show that the quality of recommendations based on the proposed method is significantly higher than the state-of-the-art methods in terms of both accuracy and coverage metrics. CONCLUSION: In this paper, a social recommender system is proposed based on a temporal clustering approach to incorporate the effects of time of ratings provided by the users. For this purpose, a temporal similarity measure is introduced, which assigns higher weights to recent ratings than the old ones. Moreover, a users’ network is constructed using the temporal similarity values and social relations between the users. Then, the users’ network is used to group users into appropriate clusters by the temporal clustering approach. To this end, a graph-based method is applied to find initial centers set, automatically. Finally, an iterative process is considered to find final clusters and use them as the neighborhoods in the recommendation process. Experimental results using a benchmark dataset show that the proposed method outperforms other recommender methods in terms of the accuracy and coverage metrics.