20856

۲۰۸۵۶

توسعه موتور توصيه گر بافت محور

كارشناسي ارشد

نرم افزار

۱۳۹۵-۱۳۹۷

۱۳۹۷/۱۲/۱۳

دكتر محمدرضا كنگاوري

كامپيوتر

امروزه كاربران با توجه به گسترش اينترنت و تو سعه بسترهاي رسانهاي متنوع، به حجم زيادي از اطلاعات دستر سي دارند. با توجه به رشد و تنوع داده ها پيدا كردن آيتمهاي متناسب با نياز كاربران، روزبه روز براي آنها مشكل تر ميشود. در چنين شرايطي استفاده از سيستمهاي توصيه گر ميتواند بسيار مفيد باشد. هدف سيستمهاي تو صيه گر، انتخاب و ارائه آيتم ها و يا سرويس هايي براي كاربران است كه بيشترين ارتباط وتناسب را با نيازهاي آنان داشته باشد. سنيسنتم هاي توصنيه گر سننتي، پيشننهادهاي خود را بدون در نظر گرفتن بافت و محيط اطراف كاربر ارائه ميدهند. درصورتيكه انتخاب و نياز كاربران تحت تأثير شرايطي مانند زمان، مكان و ... تغيير ميكند و بافتي كه كاربر در آن با سيستم در تعامك است تأثير بسزايي بر نوع رفتار و انتخاب وي دارد. درنتيجه سيستمهاي توصيه گري كه بافت كاربر را در نظر ميگيرند قادرند پيشنهادهايي ارائه دهند كه موجب كسب رضايت بيشتر كاربر از سيستم گردد و اين اهميت تحقيق بر روي سيستمهاي توصيه گر بافت محور را به وضوح نشان ميدهد. يكي از چالشهايي كه سيستمهاي توصيه گر بافت محور با آنها روبرو هستند وابستگي به دامنه است. اين وابستگي به اين معني است كه دامنه ي برنامه كاربردي در نوع بافت انتخابي، بسيار تأثيرگذار است.به عنوان مثال ممكن است زمان در يك دامنه، مهمترين ويژگي بافتي تلقي شود اما در دامنه هاي ديگر اصلاً جز بافت به شمار نيايد. راه اندازي و توسعه سيستمهاي توصيه گر بافت محور، با توجه به ذاتِ بافت كه وابسته به دامنه ميباشد، دربردارنده ي هزينه ي مالي و زماني است؛ كه اين مسئله به خودي خود در عصر حاضر كه هر ثانيه تأخير در تصميم گيري درست و ارائه پيشننهاد مناسب ميتواند عواقب جبران ناپذيري در پي داشته باشند، يك چالش اسنت. در اين پژوهش ما سنعي كرديم روش جامعه اي ارائه دهيم كه ويژگيهاي بافتي را درنظر گرفته و تا حد امكان فارغ از دامنه باشند. سپس چارچوب عمومي خود را بر روي مجموعه داده ي استانداردي اجرا كرديم كه نتايج حاصل از آن بيانگر عملكرد مناسب چارچوب ارائه شده مي باشد. واژههاي كليدي: سيستمهاي توصيه گر، بافت، سيستمهاي توصيه گر بافت محور، چارچوب عمومي

1398/04/30

Development of Context-based Recommender Engine

3/4/2019 12:00:00 AM

Nowadays, users have access to a large amount of information due to the expansion of the Internet and the development of various media platforms. Depending on the growth and variety of data, it's harder to find items that fit the needs of users every day. In such a situation, the use of Recommender systems can be very helpful. The goal of the Recommender systems is to select and provide items or services for users that have the most relevance to their needs. Traditional recommender systems offer their suggestions regardless of the context and environment of the user, although choices and user’s needs are affected by circumstances such as time, place, etc. the context in which the user interacts with the system has a significant impact on the type of behavior and selection. As a result, systems that consider the context of the user can provide suggestions that will increase the user's satisfaction from the system, and clearly illustrates the importance of research on context-based recommendation systems. One of the challenges faced by context-aware recommender systems is domain dependency. This dependency means that the application domain is very influential in the selection of context. For example, time may be considered as the most important context in one domain, but in other domains, it's not just context. Setting up and developing context-aware recommender systems, based on the domain-specific nature of the context, involves financial and time-based costs, which in the current era, would delay the decision-making and proposing irreversible consequences every second. In this research, we tried to present a comprehensive method that considers the properties of the context and, as far as possible, free of domain. We then implemented our general framework on a standard dataset, the results of which represent the proper function of the framework provided.