چکیده مقاله
در اواسط ده ه 90 سیستمهای توصیه گر به عنوان یک شاخه تحقیقاتی مستقل مطرح شدند یکی ازمشهورترین روشهای طراحی سیستمهای توصیه گر، روش فاکتورسازی ماتریسها است فاکتورسازی ماتریسها نوعی روش فیلترینگ اشتراکی، بر پایه مدل است که قدرت خود را در زمینه تخمین مدلهای دقیق برای سیستم های توصیه گر نشان داده است فاکتورسازی ماتریس کاربر موجودیت موفقیت قابل توجهی در سیستم های توصیه گر، بر پایه ی فیلترینگ مشترک، کسب کرده است همچنین فاکتورسازی در سیستم های توصیه گر، با مشکل تنک بودن داده ها و تطبیقپذیری مقابله میکند در این مقاله یک سیستم توصیه گر جدید مبتنی بر فاکتورسازی ماتریسها ارایه میگردد که قادر است با تعیین فواصل واقعی بین کاربران، دقت پیش بینی سیستم را افزایش دهد برای این منظور از یک ماتریس انتقال استفاده میگردد که قادر است ماتریس کاربر موجودیت را به فضای جدیدی منتقل نماید که در این فضای جدید فاصله بین کاربران واقعیتر بوده و تصمیم گیری در خصوص آنها راحت تر است تعیین مناسب ماتریس انتقال میتواند نقش بسزایی در کارایی سیستم داشته باشد برای این منظور از الگوریتم استراتژی تکاملیES استفاده شده است که قادر است در یک چرخه تکاملی ماتریس انتقال بهینه را محاسبه نماید نتایج حاصل از شبیه سازیها کارایی روش پیشنهادی را در مقایسه با سایرین نشان میدهد
کلیدواژهها
نویسندگان
سارا باباخانی
گروه مهندسی کامپیوتر، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
محمد مصلح
استادیار، گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی، اهواز، ایران
سیدمحمد صافی
مربی، گروه مهندسی کامپیوتر، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
شیوه ارجاع
�اباخانی، سارا و مصلح، محمد و صافی، سیدمحمد،1396،سیستم توصیه گر ترکیبی مبتنی بر هم افزایی فاکتورسازی ماتریس ها و الگوریتمES،کنفرانس ملی کامیپوتر،فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز
ارائهشده در
مجموعه مقالات کنفرانس ملی کامیپوتر،فناوری اطلاعات و کاربردهای هوش مصنوعی18 بهمن 1396 · اهواز