تحقیق خوشه بندی تکاملی در سیستم های پیشنهاد دهنده

توضیحات

تحقیق خوشه بندی تکاملی در سیستم های پیشنهاد دهنده

تعریف مساله

سیستم های پیشنهاد دهنده باتوجه به اولویت های کاربری و یا فاکتورهای مختلف این چنینی پیشنهاداتی ارائه می دهند. بدین ترتیب در مرور اطلاعات به کاربر کمک می کنند. برای انجام این کار، براساس رفتار گذشته کاربر، پروفایلی برای کاربر ایجاد می شود. با اینکه سیستم های پیشنهاد دهنده عمدتا در زمینه تجارت الکترونیک کاربر دارند، دامنه کاربرد آنها رو به افزایش استو برای مثال شبکه های اجتماعی، سیستم مشاهده آنلاین ویدیویی، سایت های نظر سنجی همگی از کاربران اصلی سیستم های توصیه گر می باشند. به صورت عمده سه دسته اصلی از تکنیک های اصلی وجود دارد[1]:

• فیلترکننده مشارکتی
• فیلترکننده مبتنی بر محتوا
• سیستم های ترکیبی

فیلتر کننده مشارکتی

در این روش براساس ابتدا کاربرانی که خواسته مشابه دارند را شناسایی می کنیم این فاز به نام فاز شناسایی  و مقدار دهی اولیه می شناسیم. بر این اساس امتیازهای اولیه ای به کاربران داده می شود. در گام دوم از این امتیازها برای دسته بندی ها و ارائه توصیه ها استفاده می شود. همچنین در چنین ساختارهایی امکان تعریف مدل های داینامیک نیز وجود دارد. به این صورت که اطلاعات به صورت پیوسته امتیازدهی های خود را به روز رسانی کنند. برای دسته بندی و گام یادگیری از روش های مختلف می  توان استفاده نمود مانند شبکه های عصبی، بهینه سازی مورچه ها، بهینه سازی تکاملی ژنتیکی، روش های فازی، شبکه های باور، شبکه های عمیق.

…

فهرست مطالب تحقیق خوشه بندی تکاملی در سیستم های پیشنهاد دهنده

• تعریف مساله. 4
• مرور کارهای مرتبط. 6
• سیستم های پیشنهاد دهنده 8
• مرور روش های معروف خوشه بندی.. 9
• خوشه بندی تکاملی. 10
• الگوریتم فازی کا-مینز. 11
• الگوریتم ژنتیک… 12
• توابع ارزيابي. 15
• معيارهاي مبتني بر فاصله. 16
• معيارهاي مبتني بر اطلاعات.. 16
• معيارهاي مبتني بر وابستگي. 16
• معيارهاي مبتني بر سازگاري.. 16
• معيارهاي مبتني بر خطاي طبقه بندي کننده 17
• عموميت.. 17
• حل مشکل خوشه بندی با الگوریتم تکاملی. 18
• پایگاه داده ها 18
• شمای کلی الگوریتم 20
• تاریخچه. 27
• تاريخچه بيولوژيکي. 27
• ساختار الگوريتم‏هاي ژنتيكي. 28
• عملگرهاي الگوریتم  ژنتيك. 29
• جمع بندی: 43

منابع تحقیق خوشه بندی تکاملی در سیستم های پیشنهاد دهنده

1. P. Negaranik, A. Thomas,Survey on recommendation system methods.2^nd International Conference on Electronics and Communication Systems, 2015.
2. U. Marung, N. Theera, S. Auephanwiriyakul, Top-N Recommender Systems Using Genetic Algorithm-Based Visual-Clustering Methods, MDPI, Journal of Symmetry, 2016, Vol. 8, 54.
3. J. Salter, N. Antonopoulos, CinemaScreen Recommender Agent: Combining Collaborative and Content-Based Filtering, IEEE Journal of Intelligent Systems, 2006. Vol. 21, Issue 1, pp. 35-41.
4. Y. Luo, J. Hu, X. Wei, Blog Recommender Based on Hypergraph Modeling Clustering Algorithm. In Proceedings of the 2013 Fourth World Congress on Software Engineering, WCSE 2013, Hong Kong, China, 3–4 December 2013; pp. 231–235.
5. Y. Cao, Y. Li, An intelligent fuzzy-based recommendation system for consumer electronic products. Expert Systems and Applications. 2007, 33, 230–240.
6. M. Wasid, V. Kant, A Particle Swarm Approach to Collaborative Filtering based Recommender Systems through Fuzzy Features, Procedia of Computer Science, Vol. 54, pp. 440-448, 2015.
7. X. Wang, F. Luo, G. Ranzi, A Personalized Electronic Recommendation System Based on Support Vector Machine and Improved Particle Swarm Optimization, Plos One, https://doi.org/10.1371/journal.pone.0165868, 2016.
8. M.H. Jafari, G. Tadayon, M. Jalali, Solving cold start problem in tag-based recommender systems using discrete imperialist competitive algorithm, International congress on technology, communication and knowledge, 2014.
9. S. Al-Augby, L. Nermend, S. Majewski, A. Majewska, A Compatision of K-Means and Fuzzy C-Means Clustering Methods for a sample of gulf cooperation council stock markets, Journal de Folia Econimica Stetinensia, 2015, Vol 14, Issue. 2.
10. D. Lei, Z. Wu, Crowding-measure based multi-objective evolutionary algorithm for job shop scheduling, International journal of Advanced Manufacturing Technology, Vol 30, pp. 112-117, 2006.
11. Dash, M. and H. Liu, Feature selection for classification. Journal of Intelligent data analysis, 1997. 1(1-4): p. 131-156.
12. http://eigentaste.berkeley.edu/dataset/
13. Runter Rudolph, G. Parallel approaches to stochastic global optimization. in Parallel Computing: From Theory to Sound Practice, Proceedings of the European Workshop on Parallel Computing. 1960. Citeseer.
14. Goldberg, D.E. and J.H. Holland, Genetic algorithms and machine learning. International Journal of Machine learning, 1988. 3(2): p. 95-99.

.15      Koza, J.R., Genetic programming: on the programming of computers by means of natural selection. Vol. 1. 1992: MIT press.

.16     Sepehri Rad, H., Lucas, C. Application of Imperialistic Competition Algorithm in Recommender Systems. In: 13th Int’l CSI Computer Conference (CSICC’08), 2008, Kish Island, Iran.

.17.   Alsayat, A, Efficient genetic k-menas clustering algorithm and its application to data mining on different domains, Ph.D Thesis Bowie State university, 2016.

توجه:

تحقیق خوشه بندی تکاملی در سیستم های پیشنهاد دهنده شامل یک فایل ورد 45 صفحه ای می باشد.

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.