عنوان پایان‌نامه
ارائه یک سیستم پیشنهاد دهنده در شبکه های اجتماعی با استفاده از مدل کاربر
- رشته تحصیلی
- مهندسی فناوری اطلاعات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E2069;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 53603
- تاریخ دفاع
- ۳۱ تیر ۱۳۹۱
- دانشجو
- فاطمه قیافه داودی
- استاد راهنما
- سیدامید فاطمی
- چکیده
- با رشد سریع شبکه جهانی وب و افزایش روز افزون حجم اطلاعات، بشر با حجم زیادی از اطلاعات مواجه شده است که انتخاب اطلاعات مرتبط برای وی کار بسیار دشواری است. در این زمان سیستم‌های توصیه‌گر یا پیشنهاددهنده برای کمک به افراد به منظور پیدا کردن اطلاعات مناسب به وجود آمدند. سیستم توصیه‌گر در واقع نوعی فناوری پالایش اطلاعات است که برای شناسایی مجموعه اقلام مورد علاقه کاربر مورد استفاده قرار می‌گیرد. سیستم‌های توصیه‌گر در وب‌گاه‌های اشتراک‌گذاری منابع مانند وب¬گاه‌های نشانه‌گذاری اجتماعی نیز به دلیل محبوبیت زیاد آن‌ها در میان کاربران جایگاه ویژه‌ای دارند. در این گونه وب‌گاه‌ها، سیستم‌های توصیه‌گر سنتی به دلیل ماهیت متفاوت آن‌ها قابل استفاده نیستند. همچنین افزایش دقت سیستم در پیش¬بینی نیازهای کاربرها از مسائل مطرح در این حوزه بوده است. بنابراین در این پایان‌نامه، رویکردهایی متفاوتی به سیستم توصیه‌گر با توجه به ویژگی‌های این محیط‌ها ارائه شده است و فعالیت‌های برچسب‌گذاری کاربران به منظور شناسایی علاقه‌مندی‌های آن‌ها و ارائه اقلام جدید در نظر گرفته شده‌اند. در نخستین رویکرد، سعی شده است با توجه به اطلاعات موجود راجع به برچسب‌گذاری‌ها و اطلاعات ODP به عنوان یک رده¬بندی وب عملکرد سیستم بهبود داده شود. همچنین هدف دیگر این پایان‌نامه بهبود عملکرد سیستم توصیه‌گر با دخیل کردن معنا و روابط معنایی بوده است زیرا اغلب سیستم‌های توصیه‌گر بر تطبیق عینی واژه‌ها تکیه می‌کنند و از روابط معنایی برای پیدا کردن مناسب‌ترین اطلاعات استفاده نمی‌کنند. بنابراین یک رویکرد توصیه‌گر معنایی محتوا محور طراحی شد که قادر است مرتبط‌ترین صفحات وب از لحاظ معنایی به حوزه‌های مورد علاقه کاربر را به وی پیشنهاد دهد. در این رویکرد از وردنت به عنوان یک پایگاه داده لغوی برای زبان انگلیسی به منظور کشف روابط معنایی میان برچسب‌ها استفاده کردیم. در پایان نیز، یک رویکرد توصیه‌گر همکارانه‌ای طراحی شده است که در آن از رویکردی نوین برای شناسایی علاقه¬مندی¬های کاربرها با استفاده از الگوریتم¬های خوشه¬بندی استفاده شده است. سپس بر اساس مدل جدید ایجاد شده برای کاربرها، به شیوه¬ای متفاوت کاربرهای مشابه شناسایی می¬شوند. نتایج آزمایش‌ها، عملکرد بهتر رویکرد‌های توصیه‌گر پیشنهادی را با توجه به معیارهای مطرح در حوزه سیستم‌های توصیه‌گر و بازیابی اطلاعات نشان می‌دهد. در واقع بهبود پیش‌بینی علاقه‌مندی‌های کاربر از طریق معیارهای دقت، یادآوری و F-measure به اثبات رسید.
- Abstract
- With rapid growth of World Wide Web and the ever-increasing volume of information on it, finding relevant information is becoming difficult. That was when recommender systems came into existence in order to assist users in the process of finding the most appropriate information on WWW. Recommender system is a kind of information filtering technology which can be used to identify relevant items to each user’s interest. Recommender systems are becoming more important in resource sharing sites such as social bookmarking sites by rising of their popularity between different users. Traditional recommender systems are not effective in these web sites because of their different nature and characteristics. In addition, increasing the accuracy in predicting the user’s needs is one of the open issues in this area. In this thesis, we propose different approches to recommender system based on tagging activities in social bookmarking site. Purpose of the first approach is to improve recommender system’s performance by using ODP as a web directory. In another approach, a semantic recommender system have been designed which can recommend the most relevant web pages to each user based on the user’s profile. It is proposed to solve problem of exact matching of tags in recommender systems and it considers semantic relations between tags. We have exploited WordNet, which is a lexical database for English language, in order to calculate the semantic similarity between tags. As the final approach, by using clustering algorithms a new approach to identify different areas of user interests is proposed. By considering various interest areas of each user, a new approch to identify similar user is proposed. The proposed approaches yield better results according to the main criteria of information retrieval and recommender systems including precision, recall, F-measure.
