کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946430 1439289 2016 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A weighted adaptation method on learning user preference profile
ترجمه فارسی عنوان
یک روش انطباق وزنی بر روی یادگیری ترجیحات کاربر
کلمات کلیدی
سیستم توصیه شده، صفات عددی، پروفایل ترجیح کاربر، پویا
ترجمه چکیده
سیستم های توصیه شده معمولا پروفایل های ترجیح شخصی را ذخیره می کنند. بسیاری از موارد در پروفایل ها می توانند با ویژگی های عددی نمایان شوند. با این حال، مشخصات اولیه هر کاربر ناقص و نامشخص است. یک مشکل مهم در توسعه این سیستم ها این است که چگونه یادگیری ترجیحات کاربر و نحوه به روز رسانی خودکار پروفایل ها به صورت خودکار انجام شود. برای مقابله با این مسئله، این مقاله روشی بی نظیر را برای یادگیری ترجیحات کاربر نسبت به ویژگی های عددی ارائه می دهد که با تجزیه و تحلیل تعاملات بین کاربران و سیستم های توصیه می شود. هنگامی که یک لیست از توصیه های نشان داده شده به یک کاربر هدف، مورد مورد علاقه توسط او انتخاب شود، سپس مورد انتخاب شده و موارد بیش از حد رتبه بندی خواهد شد به عنوان بازخورد ارزشمند برای یادگیری مشخصات کاربر استفاده می شود. به طور خاص، دو پیشنهاد ارائه شده است: 1) یک رویکرد یادگیری برای اندازه گیری اثر اقلام بیش از حد از طریق تجزیه و تحلیل بازخورد کاربر و 2)، الگوریتم وزن برای محاسبه وزن از ویژگی های مختلف با تجزیه و تحلیل انتخاب کاربر. این دو رویکرد در یک مدل سازگاری سنتی برای به روز رسانی پروفایل ترجیحات کاربر یکپارچه شده اند. شبیه سازی های گسترده و نتایج نشان می دهد که هر دو رویکرد موثرتر از رویکردهای موجود هستند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک روش انطباق وزنی بر روی یادگیری ترجیحات کاربر
چکیده انگلیسی
Recommender systems typically store personal preference profiles. Many items in the profiles can be represented by numerical attributes. However, the initial profile of each user is incomplete and imprecise. One important problem in the development of these systems is how to learn user preferences, and how to automatically adapted update the profiles. To address this issue, this paper presents an unsupervised approach for learning user preferences over numeric attributes by analyzing the interactions between users and recommender systems. When a list of recommendations shown to a target user, the favorite item will be selected by him/her, then the selected item and the over-ranked items will be employed as valuable feedback to learn the user profile. Specifically, two contributions are offered: 1), a learning approach to measure the influence of over-ranked items through analysis of user feedbacks and 2), a weighting algorithm to calculate weights of different attributes by analyzing user selections. These two approaches are integrated into a traditional adaption model for updating user preference profile. Extensive simulations and results show that both approaches are more effective than existing approaches.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 112, 15 November 2016, Pages 114-126
نویسندگان
, , , ,