-
شماره ركورد
28886
-
پديد آورنده
محمدرضا حاتميان جزي
-
عنوان
ارائه ي مدلي براي بهبود عملكرد سيستم توصيه گر با استفاده از متن كاوي (مورد مطالعه: برنامه ريزي فعاليت هاي صنعتي)
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي كامپيوتر
-
سال تحصيل
1399
-
تاريخ دفاع
1402/06/29
-
استاد راهنما
دكتر حسن نادري
-
دانشكده
مهندسي كامپيوتر
-
چكيده
سپيسپتمها توصپيهگر‌يكي‌از‌مدلها محبوب‌برا ايجاد‌تصپميمگير ها خودكار‌هسپتند؛ به‌كمك‌انسپان‌آمدهاند‌تا‌با‌شپناسپايي‌دادهها مرتبط‌با‌آيتمها‌و‌كاربران،سپرعت‌انتخاب‌انسپان‌را‌با‌ارا ه يكي‌از‌چالشها اصپلي‌در‌اين‌زمينه‌مربوط‌‌به‌پيشپنهادها ضپعيفي‌اسپت پيشپنهادا مناسپب‌بالاتر‌ببرند. در‌زماني‌‌‌اين‌مشكلا كه‌از‌سو اين‌سيستمها توصيهگر‌برا مواجهه‌با‌آيتمها‌وكاربران‌اتفاق‌مي‌افتد؛ كه‌از‌روش‌پالايش‌گروهي‌مبتني‌بر‌حافظه با‌وجود‌اسپپتفاده‌از‌معيارها شپپباهت‌بيشپ‌پينه‌ميشپپوند‌كه‌در نهايت‌منجر‌به‌بروز‌مسئله‌شروع‌سرد‌نير‌ميگردد. روشها مختلفي‌برا حل‌اين‌مشپكلا معرفي‌شپده‌اسپت.از‌جمله‌اين‌موارد‌ميتوان‌به‌سپيسپتمها چالشها مربوط‌به‌سيستمها توصيهگر‌سنتي‌اشاره‌كرد.در‌استفاده‌از‌روشها توصيهگر‌تركيبي‌درحل فيلترينگ‌انجام‌ميگيرد. چندين‌توصيهگر‌بر‌اساس‌تركيب‌امتيازدهي،رتبهبند و تركيبي با‌بهرهبردن‌از‌نقاط‌قو چند‌سپيسپتم‌توصپيهگر‌ميتواند‌عملكرد‌كلي‌بهتر از‌سپيسپتم‌توصپيهگر‌دريافت كرد‌و‌در‌نهايت‌نمايش‌مناسپبي‌از‌آيتمها‌حاصپل‌شپود.اسپتفاده‌از‌تكنيكها متنكاو همراه‌با‌سپيسپتمها توصيهگر‌يكي‌از‌برترين‌روشها‌برا حل‌مشكلا ذكر‌شده‌ميباشد. دراين‌پروژه‌قصپد‌داريم‌با‌اسپتفاده‌از‌دادهكاو ،متن‌گرارشپا كاربران‌را‌با‌انجام‌مراحل‌پيشپردازشمتن، دسپتهبند و‌سپاس‌با‌برچسپ‌بگذار دادهها سپاخت‌يافته‌و‌تركيب‌نتاي حاصپله‌با‌سپيستم‌توصيهگر‌مبتني بر‌محتوا‌و‌سپيسپتم‌‌پالايشگروهي‌يك‌مدل‌تركيبي‌سپوييچكننده‌جديد‌برا حل‌مشپكلا مربوط‌به‌ضپع پيشنهاددهي‌در‌آيتمها‌برسيم. گرفتن‌اين‌مدل‌مخصپپوصپپا‌در‌مورد‌ماالعاتي‌برنامه در‌آخر‌نتاي اين‌آزمايشها‌نشپپان‌ميدهد‌كه‌در‌نظر مبتني همچنين‌وب‌سپرويسپي كارايي‌سپيسپتم‌توصپيهگر‌‌مي‌شپود؛ رير فعالي‌تها صپنعتي‌منجر‌به‌افرايش بر‌اين‌مدل‌برا ارا ه‌به‌برنامهريران‌و‌كاربران‌صپنعتي‌ايجاد‌شپده‌كه‌نمونهسپاز روش‌پيشپنهاد را‌نشپان ميدهد.
-
تاريخ ورود اطلاعات
1402/07/25
-
عنوان به انگليسي
Presenting a model to improve recommender system performance using text mining (case study: planning industrial activities)
-
تاريخ بهره برداري
9/19/2024 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
محمدرضا حاتميان جزي
-
چكيده به لاتين
Recommender systems are one of the popular models for making automated decisions. These
systems have come to help humans to increase the speed of human selection by providing
appropriate suggestions by identifying data related to items and users. One of the main
challenges in this field is related to the weak suggestions made by these recommender systems
to encounter items and users; These problems increase when the memory-based group
refinement method is used despite the use of similarity criteria, which eventually leads to the
cold start problem Various methods have been introduced to solve these problems. Among
these cases, hybrid recommender systems can be mentioned in solving the challenges related
to traditional recommender systems. In the use of combined methods, several recommenders
are made based on the combination of scoring, ranking and filtering. By taking advantage of
the strengths of several recommender systems, a better overall performance of the
recommender system can be obtained and finally a suitable display of items can be obtained.
Using text mining techniques along with recommender systems is one of the best ways to solve
the mentioned problems. In this project, we intend to use data mining to categorize the text of
user reports by performing text pre-processing steps and then by tagging the structured data
and combining the results with the content-based recommender system and the group
refinement system of a new switcher hybrid model to solve problems related to Weakness of
bidding and problems related to cold start in items. Finally, the results of these tests show that
considering this model, especially in the case of industrial activity planning studies, leads to an
increase in the efficiency of the recommender system; Also, a web service based on this model
has been created to present to planners and industrial users, which shows the prototyping of the
proposed method
-
كليدواژه هاي فارسي
سيستم توصيه گر , متن كاوي , معيارهاي شباهت , برنامه ريزي فعاليت هاي صنعتي
-
كليدواژه هاي لاتين
Recommender System , Text Mining , Similarity Measures , Industrial Activity Planning
-
Author
Mohammadreza Hatamian
-
SuperVisor
hassan naderi
-
لينک به اين مدرک :
