چکیده مقاله
سیستم های توصیه گر در سال های اخیر تا حد زیادی در زندگی روزمره نفوذ کرده اند سیستم های توصیه گر در زمینه های مختلف، مانند خرید آنلاین، رسانه های اجتماعی، پخش موسیقی و فیلم و توصیه های شغلی کاربردهای متعددی دارند پیش بینی در مراحل اولیه سودمندترین راه در موفقیت فیلم است کار بسیار کمی برای پیش بینی موفقیت فیلم در مراحل اولیه تولید فیلم انجام شده است سیستم های ترکیبی برای پیش بینی موفقیت فیلم، چندین روش مختلف را با هم ترکیب می کنند تا نقاط ضعف هر روش را کاهش دهند هدف در طرح جاری پیش بینی وضعیت فیلم از نظر میزان موفقیت فیلم در جذب مخاطبان است روش پیشنهادی، شامل پنج فاز اصلی است این مراحل شامل کمی سازی مقادیر عوامل موثر در موفقیت فیلم، استخراج ویژگی از داده های ثبت شده فیلم با استفاده از شبکه عصبی کانولوشن، انتخاب ویژگی با استفاده از روش بهینه سازی بلایای چرنوبیل، ارائه مدل دسته بند ترکیبی XGBoost، درخت تصمیم و K نزدیک ترین همسایه و تجمیع خروجی دسته بندها بر اساس روش رای اکثریت است برای شبیه سازی طرح پیشنهادی از زبان پایتون و محیط برنامه نویسی spyder استفاده شد بانک اطلاعاتی استفاده شده تحت عنوان TMDB ۵۰۰۰ Movie Dataset است بر اساس نتایج به دست آمده، معیار های صحت، فراخوانی و F Measure دسته بندی در طرح پیشنهادی بیشتر از طرح پایه است بنابراین عملکرد طرح پیشنهادی مطلوب بوده و مدل خروجی توانسته یک روش دسته بندی وضعیت فروش فیلم و موفقیت آن ها را با دقت بالا ارائه نموده است و با بهره گیری از روش های استخراج ویژگی مبتنی بر روش های فراابتکاری به یک طرح مطلوب پیش بینی موفقیت فیلم دست یافته ایم
کلیدواژهها
نویسندگان
محمدامین عنایتی
کارشناسی ارشد مهندسی نرم افزار موسسه آموزش عالی جهاد دانشگاهی استان خوزستان
مصطفی برومندزاده
گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران
شیوه ارجاع
�نایتی، محمدامین و برومندزاده، مصطفی،1404،ارائه سیستم توصیه گر برای پیش بینی موفقیت فیلم، با استفاده از مدل ترکیبی مبتنی بر شبکه اجتماعی و الگوریتم بهینه ساز بلایای چرنوبیل (CDO)،چهارمین کنفرانس بین المللی و نهمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز
ارائهشده در
مجموعه مقالات پنجمین همایش ملی و نخستین همایش بین المللی محاسبات نرم علوم مهندسی در صنعت و جامعه26 بهمن 1404 · ایرانشهر