دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات بیس کامپیوتردانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI معماری سیستم های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023سال انتشارمقالات Q1 مهندسی کامپیوتر به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی کامپیوتر با مدل مفهومی به زبان انگلیسی

مقاله انگلیسی رایگان در مورد مدل تشابه ترکیبی مبتنی بر مجموعه فازی – الزویر ۲۰۱۹

 

مشخصات مقاله
ترجمه عنوان مقاله یک مدل تشابه ترکیبی مبتنی بر مجموعه فازی شهودی برای سیستم پیشنهاد دهنده
عنوان انگلیسی مقاله An Intuitionistic Fuzzy Set Based Hybrid Similarity Model for Recommender System
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۲۶ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۵٫۸۹۱ در سال ۲۰۱۸
شاخص H_index ۱۶۲ در سال ۲۰۱۹
شاخص SJR ۱٫۱۹۰ در سال ۲۰۱۸
شناسه ISSN ۰۹۵۷-۴۱۷۴
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
مدل مفهومی دارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط معماری سیستم های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس سیستم های خبره با کابردهای مربوطه – Expert Systems with Applications
دانشگاه  College of Management and Economics, Tianjin University, Tianjin 30072, China
کلمات کلیدی سیستم پیشنهاد دهنده، فیلتر مشارکتی، فاصله گوگل عادی، مجموعه فازی شهودی، واگرایی Kullback – Leibler
کلمات کلیدی انگلیسی Recommender system; Collaborative filtering; Normalized Google distance; Intuitionistic fuzzy set; Kullback–Leibler divergence
شناسه دیجیتال – doi
https://doi.org/10.1016/j.eswa.2019.06.008
کد محصول  E13560
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
۱٫ Introduction
۲٫ Literature review
۳٫ Research framework
۴٫ Proposed model
۵٫ Experiments
۶٫ Conclusions and future work
Credit author statement
Declaration of Competing Interest
Acknowledgements
References

 

بخشی از متن مقاله:
Abstract

In general, a practical online recommendation system does not rely on only one algorithm but adopts different types of algorithms to predict user preferences. Although most of similarity measures can rapidly calculate the similarity on the basis of co-rated items, their prediction accuracy is not satisfactory in the case of sparse datasets. Making full use of all the rating information can effectively improve the recommendation quality, but it reduces the system efficiency because all the ratings need to be calculated. To recommend items for target users rapidly and accurately, this paper designs a hybrid item similarity model that achieves a trade-off between prediction accuracy and efficiency by combining the advantages of the two above-mentioned methods. First, we introduce an adjusted Google similarity to rapidly and precisely calculate the item similarity in the condition of enough co-rated items. Subsequently, an intuitionistic fuzzy set (IFS) based Kullback-Leibler (KL) similarity is presented from the perspective of user preference probability to effectively compute the item similarity in the condition of rare co-rated items. Finally, the two proposed schemes are integrated by an adjusted variable to comprehensively evaluate the similarity values when the number of co-rated items lies in a certain range of value. The proposed model is implemented and tested on some benchmark datasets with different thresholds of co-rated items. The experimental results indication that the proposed system has a favorable efficiency and guarantees the quality of recommendations.

Introduction

The rapid growth of the Internet has tremendously boosted online enterprises, especially e-commerce, providing consumers with a wide variety of choices in books (Amazon), videos (YouTube) and photos (Flickr) (Baluja, Seth, Sivakumar, Jing, Yagnik, Kumar, Ravichandran, & Aly, 2008; Brynjolfsson, Hu, & Smith, 2003; Zheng, Li, Liao, & Zhang, 2010), etc. However, the massive amount of information on the Internet usually overwhelms users and makes them indecisive. (Liu, Hu, Mian, Tian, & Zhu, 2014). Recommender systems (RS) have been successfully deployed to provide information, make recommendations, and facilitate decision-making on products of interest for active users (Davidson, Livingston, Sampath, Liebald, Liu, & Nandy, 2010; Shahabi, Banaei-Kashani, Chen, & Mcleod, 2001; Takeuchi, & Sugimoto, 2006). They can match users’ expectations and points of interest by analyzing their previous preference behaviors of users, thereby addressing the information overload problem effectively. As one of the best-known recommendation techniques, collaborative filtering (CF) (Breese, Heckerman, & Kadie, 2013) has been adopted by numerous e-commerce websites. It provides unknown items to the target users by learning the potential interests of the users. The general recommendation process of CF involves three main steps. The first step calculates the similarity degree among users. The second step selects the most similar users with the target users as the nearest neighbors. Finally, the third step predicts the preferences of users and recommends items for them.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا