عنوان پایان‌نامه
بررسی وارائه روشی برای مقدار دهی اولیه به ارزش های بدون مقدار در سیستم های پیشنهاد گر
- رشته تحصیلی
- مهندسی کامپیوتر- آلگوریتم ها و محاسبات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 82..;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69890
- تاریخ دفاع
- ۰۸ شهریور ۱۳۹۴
- دانشجو
- محسن عاشوری
- استاد راهنما
- محمود شعبان خواه
- چکیده
- با گسترش روزافزون حجم اطلاعات، کاربرها برای دستیابی به اطلاعات و کالاهای مورد نظرشان با گزینه های زیادی روبرو هستند که جستجو در چنین فضایی پرهزینه و در برخی موارد غیر ممکن است. در پاسخ به این نیاز، سیستم های توصیه گر با ارائه پیشنهادهایی هوشمندانه مطابق با نیاز ها و علایق کاربرها، آنان را در جستجوی فضای اطلاعات یاری می کند. امروزه ساخت سیستمی توصیه گر با دقت پیش بینی و سرعت بالا به یکی از پرطرفدارترین حوزه های تحقیقاتی تبدیل شده است. با توجه به وابستگی دقت و سرعت یک سیستم با هم، موضوعیت این پایان نامه افزایش سرعت در کنار افزایش دقت سیستم می باشد. نوآوری اصلی پایان نامه، ارائه سه مدل مبتنی بر روش تجزیه ماتریس با استفاده از بازخورد صریح کاربران، برای افزایش میزان دقت در پیش بینی ها است. ایده اصلی پایان نامه، استنتاج رفتارهای بین کاربران از داده ورودی است. با این کار دانش جدیدی در سیستم تولید می شود که با تحلیل رفتارهای منفرد قابل استخراج نیست و استفاده از آن می تواند موجب افزایش کیفیت سیستم توصیه گر گردد. در سیستم های توصیه گر، رفتار کاربرها با استفاده از مجموعه قلم های امتیازدهی شده توسط آنها مدل سازی می شود. در انتها نیز برای افزایش سرعت سیستم، ضمن بررسی روش های موجود برای آموزش نرخ یادگیری، روشی جدیدی ارائه شده است که دارای سرعت بیشتر نسبت به روش های رقیب است.
- Abstract
- In this age of data explosion, a typical user looking for a specific item or piece of information is faced with a large number of choices but searching in such an environment is costly and sometimes even impossible. Recommender systems try to meet this need by offering the most relevant choices based on users personal interests. Hence designing fast and accurate recommender systems has turned into a major research field. Generally, we are given a matrix called the rating matrix including the rating of users for a group of items. The goal is to fill in the entries of this matrix in a pertinent way such that the hidden interactions between users-items is taken into account. One of the most efficient methods to accomplish this task is called matrix factorization method. This thesis follows the same line of ideas as in matrix factorization. In particular, three variant of the basic factorization model has been proposed and their performance has been assessed. The mail idea has been to exploit the correlation between users in an effective manner in order to increase the accuracy of our model. Finally, to increase the speed of the system, a new method is introduced which is faster than the current learning methods.
