عنوان پایان‌نامه
طراحی یک سیستم توصیه گر با رویکرد شبکه های اطلاعاتی ناهمگون
- رشته تحصیلی
- مهندسی کامپیوتر -نرم افزار
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3057;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77871;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3057;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77871
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۵
- دانشجو
- مهدی وجدی
- استاد راهنما
- ناصر یزدانی
- چکیده
- سیستم‌های توصیه‌گر در سال‌های اخیر پیشرفت فراوانی داشته‌اند و تقریباً در هر شرکتی که اقدام به ارائه محصول به مشتری می‌کند، می‌توان آن‌ها را یافت. بنابراین توسعه و بهبود این سیستم‌ها بسیار مورد توجه قرار گرفته است. استفاده از اطلاعات جانبی مانند اطلاعات شخصی کاربران، ارتباط با سایر کاربران، انتخاب‌های گذشته‌شان و یا اطلاعات جانبی مرتبط با اقلام نیز برای بهبود این سیستم‌ها مورد استفاده قرار گرفته‌اند. این اطلاعات جانبی به خوبی در شبکه‌های ناهمگون یافت می‌شوند. همچنین در سال‌های اخیر روش‌های مبتنی بر پالایش همکارانه نیز بسیار مورد توجه قرارگرفته‌اند، از بین آن‌ها روش فاکتورگیری ماتریس و روش‌های مبتنی بر گراف عملکرد بسیار خوبی از خود نشان داده‌اند. در این پژوهش ما روش ترکیبی ارائه خواهیم داد که در شبکه‌های ناهمگون به خوبی از اطلاعات جانبی استفاده می‌کند. به این صورت که با تحلیل نظرات کاربران و پی بردن به موضوعات مورد علاقه آنان با استفاده از روش مدل‌سازی موضوعی، موضوع مورد توجه کاربران را استخراج می‌کنیم و با گسترش کلمات مربوط به موضوع مورد علاقه کاربر در سایر نظراتشان، دامنه لغات مورد استفاده را گسترش می‌دهیم به نحوی که تاثیر آن موضوع بیشتر شود و سپس با استفاده از فاکتورگیری ماتریس جمعی بر روی تمامی رابطه‌ها اقدام به پیش‌بینی علایق کاربران خواهیم کرد. روش ترکیبی پیشنهاد شده بر روی پایگاه‌داده Yelp اعمال شده و خروجی حاصل بهبود چشم‌گیری را نسبت به روش‌های فاکتورگیری پایه نشان می‌دهد. واژه‌های کلیدی: سیستم‌های توصیه‌گر، پالایش همکارانه، مدل‌سازی موضوعی، نظرات کاربران، فاکتورگیری ماتریس.
- Abstract
- Recommender systems improve the ability of customers to make their choices more easily. They play a big role in almost all realms that attempt to deliver products to customers. Recently, extra information such as personal information, connections, previous selections and product information are used to improve system's output. While this information can be found in heterogeneous relations as well. Collaborative filtering-based methods are considered among others like matrix factorization and graph-based methods which improvely the significant performance. In this thesis, we offer a hybrid solution in which side information is properly used in heterogeneous networks. By analyzing users' reviews and discovering hidden relationships along with topic modeling techniques, we extract users' features and items of interest while using matrix factorization on all relationships, to predict users' preferences. The proposed hybrid method is applied on the Yelp database. The results show 7.1 percent improvement. Keywords— Recommender system; User reviews; Topic modeling; Collective matrix factorization
