توضیحات
عنوان فارسی: درخت های تصمیم گیری Factorized برای فعالیت های یادگیری در سیستم توصیه گر
عنوان انگلیسی مقاله ترجمه شده:
Factorized Decision Trees for Active Learning in Recommender Systems
تعریف مسئله:
حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیمگیری و انتخاب اطلاعات، داده و یا کالاهای مورد نیاز را، برای بسیاری از کاربران وب دشوار کردهاست. این موضوع، خود انگیزهای شد تا محققین را وادار به پیداکردن راهحلی برای رویارویی با این مشکل اساسی عصر جدید کند. سیستم توصیه گر روشی برای حل این مشکل است. یک سیستم توصیه گر با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسبترین اقلام (داده، اطلاعات، کالا و…) مینماید. این سیستم رویکردی است که برای مواجهه با مشکلات ناشی از حجم فراوان و رو به رشد اطلاعات ارائه شدهاست و به کاربر خود کمک میکند تا در میان حجم عظیم اطلاعات سریعتر به هدف خود نزدیک شوند.
اهداف مسئله:
یک چالش کلیدی در سیستم های توصیه گر چگونگی ارائه دادن توصیه های مفید به کاربران جدید است. یک راه حل شناخته شده برای این مشکل استفاده از روش های یادگیری فعال و پرسیدن چند سوال محدود از کاربر جدید به منظور فاش کردن اولویت های مد نظر آنها است. در حال حاضر برای ساخت یک پرسشنامه به منظور حل مشکل کاربران جدید در سیستم توصیه گر، از درخت تصمیم استفاده می شود.. در این سیستم با مطرح کردن سوالات از کاربران جدید، اولویت های مد نظر کاربر مشخص می شود و سیستم توصیه گر می تواند توصیه های مناسبی را برای آنها داشته باشد. هدف این مقاله بهبود درخت های تصمیم است که به منظور حل مسئله، کار در دو مرحله انجام می شود که در ادامه توضیح داده می شوند.
روش حل مسئله:
اول، به منظور افزایش سرعت ساخت درخت از تکنیک محبوترین روش نمونه گیری (MPS) استفاده کرده است. در هر نود، بجای بررسی همه گزینه های کاندید، تنها آنهای را که در میان کاربران مرتبط با نود محبوب هستند، بررسی می کند. دوم، یک الگوریتم جدید را به منظور ساختن درخت تصمیم، توسعه می دهد. این الگوریتم را درخت های تصمیم Factorized (FDT) می نامد و با استفاده از فاکتورگیری ماتریس رتبه نودهای درخت را پیش بینی می کند. نتایج شبیه سازی نشان داده اند که هر دو روش موفق هستند. MPS سرعت ساخت درخت را بدون از بین بردن دقت، افزایش می دهد. همچنین FDT، باعث بهبود دقت پیش بینی به خصوص در سوالات انتهایی می شود.
محبوبترین روش نمونه گیری MPS:
در صورتیکه تعداد اقلام و گزینه ها زیاد باشد، ساخت درخت ساده باعث آشفتگی می شود. به همین منظور در [1] راه حلی ارائه شده است. ایده اصلی گسترش نودهای فرزند “ناشناس” در یک راه متفاوت با استفاده از جمع آوری تعدادی ارقام “Like” و “Dislike” از نودهای فرزند است.
توجه:
- برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
- لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.
به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.
سفارش ترجمه مقاله
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.