استفاده از خوشه بندی سلسله مراتبی برای بهبود پیشنهاد منابع مبتنی بر برچسب
محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسیالهه ثابتنیا 1 , مهرداد جلالی 2 , سعید راحتی قوچانی 3
1 - دانشگاه آزاد اسلامی، واحد مشهد، گروه مهندسی کامپیوتر، مشهد، ایران
2 - دانشگاه آزاد اسلامی، واحد مشهد، گروه مهندسی کامپیوتر، مشهد، ایران
3 - دانشگاه آزاد اسلامی، واحد مشهد، گروه مهندسی برق، مشهد، ایران
کلید واژه: منبع, Ontology, برچسب, سیستم های پیشنهاد دهنده, هستیشناسی, شروع سرد, روش مبتنی بر مشارکت, روش مبتنی بر محتوا, سیستم برچسب زنی اجتماعی, Recommendation system, Tag, Cold start, Collaborative method, Content based method, Social tagging system,
چکیده مقاله :
اخیراً سیستم های برچسب زنی اجتماعی به صورت روز افزون متداول شده و در حال افزایش می باشد. این سیستم ها به کاربراناجازه می دهد تا منابع مورد نیاز خود را به صورت آزادانه سازماندهی، مدیریت و جستجو نمایند. از چالش های این نوع سیستم هامی توان به حجم بالای داده، داده ناسازگار، استفاده از الگوریتم های زمانبر یادگیری ماشین و عدم قابلیت اجرا و تطبیق در دنیایواقعی اشاره نمود. این چالش ها سبب افزایش روز افزون تحقیقات در سالهای اخیر شده است. راهکار این چالش ها سیستم هایپیشنهاد دهنده می باشد، به همین دلیل سیستم پیشنهاد دهندة منابع را بر اساس برچسب معرفی نموده ایم که توانا یی کمک به کاربردر انتخاب منبع مناسب و یکپارچه نمودن این منابع در بین تمام کاربران را پوشش می دهد. این سیستم به دل ی ل ترکی ب و یکپارچهنمودن روش های مبتنی بر محتوا، مبتنی بر مشارکت، کلمات مرتبط و پروفایل کاربر سبب حذف مشکل شروع - سرد در ابتدایکار سیستم می شود. اگر سیستم دارای هیچ اطلاعاتی نباشد و برای اولین بار اقدام به فعال ی ت نمای د، با استفاده از محتوای م نبع وکلمات مرتبط اقدام به ارائه پیشنهاد به کاربر می کند که این بزگترین مزیت سیستم می باشد . در ای ن سیستم، پیشنهادات بر اساسعلائق شخصی کاربر، علائق کاربران مشابه، محتوای منابع مورد نظر و پایگاه های اطلاعاتی مرتبط با هستی شناسی و کلمات مرتبطانجام می شود. ارزیابی سیستم پیشنهادی بر روی مجموعه دادة استخراج شده از سایت دلیشز انجام شده است. نتایج به دست آمده ازآزمایشها، بهبود صحت در ارائه پیشنهادات و کارایی این سیستم را در مقابل روش پیشنهاد ترکیبی تا 67 درصد افزایش می دهد.
Abstract- Nowadays due to increase volume of data, finding correct and accurate data becomesignificant challenge which without computer systems that is impossible. Then, we always need asystem which can find suitable information in short time within vast of data. Recommendationsystems are solution of this problem. Recommendation systems by using Data Mining technique canprovide appropriate offers and choose prominent information from among large of data. In this systemif the user logged for first time, as his/her profile is null, so by using approach based on collaborationany similar user for this user is not found which represent Cold-Start problem. Therefore, it isintroduced resource recommendation system based on tagging which can help users for choosingsuitable resource and integrating resource among all users.The present method resolved Cold-Start problem in the beginning executes system by combined andintegrated methods based on content, collaboration, related words and user profile. If system does notcontain any information and start work for first time, it is recommend to user by using resourcecontent and related words that means it is greatest advantage of present system rather than previoussystems. The proposed system offers to user based on user's personal interests, interests of similarusers, content resources, databases which associated with ontology and related words. The results ofexperiment reveal that in present system accuracy and efficiency offers improved versus othermethods.
_||_
