دانلود مقاله ISI استفاده از مدل‌های موضوعی با سابقه مرور در سیستم توصیه‌گر فیلتر مشارکتی ترکیبی
موضوع انگلیسی:Using topic models with browsing history in hybrid collaborative filtering recommender system
فرمت فایل: pdf
تعداد صفحه:12
چکیده
شخصی سازی تجربه کاربر در سیستم های توصیه گر زمانی امکان پذیر است که اطلاعات کافی در مورد کاربر وجود داشته باشد. اما زمانی که کاربران جدید به سیستم می‌پیوندند، در دسترس نبودن اطلاعات مربوط به این کاربران، که به آن شروع سرد گفته می‌شود، عملکرد سیستم توصیه‌گر را مهار می‌کند. ما پیشرفتی را برای رویکردهای مبتنی بر کاربر پیشنهاد می‌کنیم، که به طور گسترده در ادبیات سیستم توصیه‌گر استفاده می‌شود. رویکرد ما داده های ویکی پدیا و تاریخچه مرور را در الگوریتم توصیه ترکیب می کند. به طور خاص، ما موضوعات را با استفاده از مدل‌های تخصیص دیریکله پنهان (LDA) در داده‌های ویکی‌پدیا ایجاد می‌کنیم و سپس از موضوعات تاریخچه مرور کاربر برای استخراج تنظیمات برگزیده کاربر استفاده می‌کنیم. ارزیابی ما از پنج رویکرد استفاده می‌کند و عملکرد آنها را از نظر صحت پیش‌بینی و طبقه‌بندی آزمایش می‌کند. ما آزمایش‌هایی را در دو حوزه (فیلم‌ها و رستوران‌ها) انجام می‌دهیم تا رتبه‌بندی کاربران و تاریخچه مرور آنها را برای ارزیابی جمع‌آوری کنیم. نتایج حاصل از هر دو آزمایش به نفع افزایش پیشنهادی ما است.
