15000 تومان
افزودن به سبد خرید
0 فروش 172 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 2MB
فایل راهنما: ندارد
بسته نصبی: ندارد
امکانات: شامل فایل pdf مقاله لاتین و فایل word ترجمه فارسی (11 صفحه)
تاریخ انتشار: 17 دسامبر 2018
دسته بندی: ,

تبلیغات

یک الگوریتم پیشنهاد دهنده وب با استفاده از اتوماتای یادگیر توزیع شده و پارتیشن بندی گراف

چکیده

سیستم های توصیه گر در هدایت کاربران به سمت منابعی که به بهترین وجه نیازها و علاقه مندی های آنان را پاسخ دهد ، کمک می کنند.در این مقاله ، یک الگوریتم توصیه گر بر اساس متد ترکیبی از اتوماتای یادگیر توزیع شده و پارتیشن بندی گراف ارائه کرده ایم.متد ارائه شده از داده های کاربران (usage data) و گراف پیوندوب سایت (hyper link graph) استفاده می کنند.ایده متد مطرح شده آن است که یک توصیه مناسب برای یک کاربر می تواند صفحات مشابه با صفحاتی که کاربر اکنون ملاقات کرده است باشد. برای محاسبه شباهت میان صفحات ، فرض بر این است که اگر تعدادی از کاربران تعدادی از صفحات وب را پی در پی درخواست کنند، احتمالا این صفحات به نیازهای اطلاعاتی یکسانی پاسخ داده اند و در این صورت با یکدیگر مشابه هستند . نتایج شبیه سازی ها روی داده های واقعی نشان داده است که روش پیشنهادی در مقایسه با روشهای فقط مبتنی بر ماشین یادگیری که در ادبیات موضوع آمده نتایج بهتری را بدست می دهد.

مقدمه

تشخیص شباهت بین اسناد یک مجموعه یکی از اهداف روشهای وب کاوی است. یک روش ساده استفاده از نظر یک فرد خبره می باشد.این روش معمولا با دسته بندی اسناد بر اساس طبقه بندی موضوعی انجام می شود. استفاده از کلمات کلیدی در مقالات علمی یا صفحات وب برای یافتن شباهت بین اسناد نیز می تواند استفاده شود. استفاده از کلمات کلیدی دارای مشکلاتی مانند وجود کلمات مترادف (کلماتی با ظاهر متفاوت ولی معنای یکسان ) ، کلمات متشابه (کلماتی با ظاهر یکسان ولی معنای متفاوت) می باشد . اگر چه کلمات کلیدی می توانند به صورت اتوماتیک از یک سند متنی استخراج شوند ، ولی این کار برای اسناد چند رسانه ای بسیار مشکل تر است. یک روش قدیمی برای پیدا کردن برخی شباهتها بین اسناد ، کاوش روی استنادات و مراجع  مقالات علمی و بررسی ارتباط آنها می باشد.

Heylighen and Bollen یک روش جدید را برای  مساله داده کاوی اطلاعات ارائه داده اند. ایده این روش بر این اساس است که اگر دو سند به یک نیاز اطلاعاتی پاسخ دهند ، آنگاه این دو سند مشابه می باشند. ایده این روش بر این اساس است که کاربران از محتویات سندی که می خواهند آن را در گام بعدی خود انتخاب کنند آگاهی نسبی دارند و بر اساس نیاز اطلاعاتی خود سند بعدی را انتخاب می کنند و حرکت کاربران در بین اسناد اتفاقی نیست . بوسیله حرکت بین اسناد ، کاربران یک ارتباط مجازی بین صفحات ایجاد  می کنند که بر اساس مدل ذهنی شان می باشد و این ارتباط لزوما منطبق بر ارتباطات قابل مشاهده موجود شبیه ارتباطات موجود بین کلمات کلیدی و صفحات وب تعریف شده برای مقاله ها نمی باشد.

این ارتباط مجازی می تواند برای ارائه تشابه میان صفحات استفاده شود. از انجایی که فرض شده است که کاربران اطلاعات کافی در مورد اسناد مشاهده شده دارند ، در این روش با تحلیل داده های استفاده بدون تلاش مضاعف کاربر یا افراد خبره اطلاعات با ارزشی بدست می آید.

در این روش شباهت بین صفحات وب با استفاده از روشی مانند قانون هب اصلاح می گردد. به این صورت که با حرکت کاربر از سند i به سند j  ، تنها اتصال بین این دو سند (a(i,j)) تقویت  می شود که تقویت اتصال بین دو سند i و j متناظر با افزایش میزان شباهت این دو سند  در نظر گرفته شده است .

در نسخه توسعه یافته این الگوریتم با حرکت کاربر از سند i به سند j ، نه تنها اتصال بین این دو سند تقویت می شود، بلکه بادر نظر گرفتن رابطه تراگذری اتصال سند i به سندهای دیگری که کاربر بعد از مشاهده سند j در ادامه مسیر خود مشاهده می کند ، با در نظر گرفتن یک ضریب کاهش b تقویت می گردد.

هاشمی و میبدی الگوریتم دیگری را بر اساس ماشینهای یادگیر توزیع شده معرفی کرده اند ، شبیه الگوریتم هبیان ، اگر دو صفحه وب از وب سایت به صورت پی در پی ملاقات شوند ، فرض می شود آنها مشابه هستند.

ماشینهای یادگیر و ماشینهای یادگیر توزیع شده در بسیاری از کاربردهای دیگر وب ماینینگ استفاده شده اند . اناری از ماشین یادگیر برای مشخص کردن وزن ارتباطات میان صفحات وب برای محاسبه رتبه بندی هر صفحه وب استفاده کرده است.

فرصتی و میبدی یک الگوریتم توصیه گر صفحات وب را بر اساس ماشین های یادگیر توزیع شده معرفی کرده اند که در آن DLA رفتار کاربران قبلی را یاد می گیرد و صفحاتی را بر اساس الگوهای آموخته شده پیشنهاد می دهد.

 

A New Recommendation Algorithm Using Distributed Learning Automata and Graph Partitioning

Abstract:

Recommendation systems aim at directing users toward the resources that best meet their needs and interests. In this paper, we propose a new recommendation algorithm based on a hybrid method of distributed learning automata and graph partitioning. The proposed method utilizes usage data and hyperlink graph of the web site. The idea of the proposed method is that an appropriate recommendation for a user can be pages similar to the pages the user has already visited. To calculate similarities between pages, it is assumed that if different users request a couple of pages together, these pages are likely to correspond to the same information need therefore can be considered similar. Experiments on synthetic and real data show that the proposed algorithm provides better recommendations than the only learning automata based recommendation method reported in the literature.

لینک مقاله اصلی در IEEE:

https://ieeexplore.ieee.org/document/6122131

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب