کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854011 1437324 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A generalized stereotype learning approach and its instantiation in trust modeling
ترجمه فارسی عنوان
یک روش یادگیری کلیشه ای کلی و مدل سازی آن در مدل اعتماد
کلمات کلیدی
مدل سازی کاربر مدل اعتماد استریتیپ، چارچوب معنایی فازی، تجارت الکترونیک،
ترجمه چکیده
به دلیل فقدان داده های تاریخی در مورد جوامع در جوامع آنلاین، کاربر ممکن است بر روی کلیشه سازی متمرکز شود تا بر اساس اطلاعات تاریخی درباره دیگران، رفتار خود را برآورد کند. با این وجود، این کلیشه ها نمی توانند به طور دقیق ارزیابی کاربر را منعکس کنند، اگر براساس داده های تاریخی محدود در مورد اشخاص دیگر باشد. با توجه به این موضوع، ما یک رویکرد یادگیری عمومی کلیشه ای را پیشنهاد می دهیم: چارچوب معنایی فازی. به طور خاص، ما یک فرایند معنایی فازی پیشنهاد می کنیم که با تکنیک های یادگیری ماشین های قدیمی برای ساخت کلیشه ها ساخته شده است. این متشکل از دو فرایند فرعی است: فرایند فازی که با ویژگیهای غیر نامی (به عنوان مثال قیمت) به وسیله تقسیم ارزش های خود به صورت فازی و فرآیند معنایی که بر ویژگی های اسمی (به عنوان مثال، موقعیت) به وسیله جایگزینی خاص ارزش ها با شرایط عمومی تر با توجه به هستی شناسی از پیش تعریف شده. ما همچنین چارچوب پیشنهاد شده در روش تصمیم گیری سنتی را برای یادگیری کلیشه های کاربران و اعتبار سنجی اثربخشی چارچوب ما برای محاسبه اعتماد در بازارهای الکترونیکی پیاده سازی می کنیم. آزمایشات بر روی داده های واقعی تایید می کند که مدل پیشنهادی ما می تواند با دقت اعتماد به فروشندگان که با آنها تجربه محدودی دارد اندازه گیری کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک روش یادگیری کلیشه ای کلی و مدل سازی آن در مدل اعتماد
چکیده انگلیسی
Owing to the lack of historical data regarding an entity in online communities, a user may rely on stereotyping to estimate its behavior based on historical data about others. However, these stereotypes cannot accurately reflect the user's evaluation if they are based on limited historical data about other entities. In view of this issue, we propose a novel generalized stereotype learning approach: the fuzzy semantic framework. Specifically, we propose a fuzzy semantic process, incorporated with traditional machine-learning techniques to construct stereotypes. It consists of two sub-processes: a fuzzy process that generalizes over non-nominal attributes (e.g., price) by splitting their values in a fuzzy manner, and a semantic process that generalizes over nominal attributes (e.g., location) by replacing their specific values with more general terms according to a predefined ontology. We also implement the proposed framework on the traditional decision tree method to learn users' stereotypes and validate the effectiveness of our framework for computing trust in e-marketplaces. Experiments on real data confirm that our proposed model can accurately measure the trustworthiness of sellers with which buyers have limited experience.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Electronic Commerce Research and Applications - Volume 30, July–August 2018, Pages 149-158
نویسندگان
, , ,