توضیحات
ABSTRACT
Recommender Systems have been around for more than a decade now. Choosing what book to read next has always been a question for many. Even for students, deciding which textbook or reference book to read on a topic unknown to them is a big question. In this paper, we try to present a model for a web-based personalized hybrid book recommender system which exploits varied aspects of giving recommendations apart from the regular collaborative and content-based filtering approaches. Temporal aspects for the recommendations are incorporated. Also for users of different age, gender and country, personalized recommendations can be made on these demographic parameters. Scraping information from the web and using the information obtained from this process can be equally useful in making recommendations.
INTRODUCTION
HE job of a Recommender System (RS) is to deliver suitable recommendations to a user based on his likings, interests and preferences. A RS makes these predictions by using certain filtering techniques. These techniques include Collaborative filtering, Content-based filtering and Knowledge-based filtering. These methods help a user to discover relevant information in the complex mesh of the World Wide Web. Collaborative filtering involves filtering out users who have similar likings, and predicting new items for the user based on the filtered results. Collaborative filtering is of two types: Model-based and Memory-based. Model-based filtering, also called offline recommendation engine, involves the creation of a model using different techniques and algorithms to make recommendations. Memory-based, on the other hand, uses a rating matrix to make predictions and is often used for large datasets. Content-based filtering uses the information, description and keywords about the items and user profiles to make recommendations for the users. Knowledge-based recommender engines use different constraints and cases for making recommendations based on explicitly defined rules and similarity measures respectively. A recommender platform with the incorporation of all these techniques is also possible. It is called a Hybrid Recommender System Different techniques have been developed over time to give accurate recommendations. Apart from the regular filtering techniques, other approaches are being adopted.
چکیده
سیستم های توصیه شده در حال حاضر بیش از یک دهه است. انتخاب کتاب برای خواندن بعدی همواره یک سوال برای بسیاری است. حتی برای دانش آموزان، تصمیم به کتاب و کتاب مرجع برای خواندن بر روی یک موضوع ناشناخته به آنها یک سوال بزرگ است. در این مقاله سعی می کنیم مدل یک سیستم پیشنهادی کتاب ترکیبی شخصی مبتنی بر وب را ارائه دهیم که از جنبه های مختلف ارائه توصیه ها جدا از رویکردهای منظم همکاری و محتوای مبتنی بر محتوا است. جنبه های زمانی برای توصیه ها گنجانده شده است. همچنین برای کاربران سنین مختلف، جنسیت و کشور، توصیه های شخصی می تواند بر روی این پارامترهای دموگرافی انجام شود. جمع آوری اطلاعات از وب و استفاده از اطلاعات به دست آمده از این فرآیند می تواند به همان اندازه در ارائه توصیه ها مفید باشد.
مقدمه
کار او از یک سیستم توصیه گر (RS) این است که توصیه های مناسب به یک کاربر را بر اساس خواسته ها، منافع و ترجیحات خود ارائه دهد. یک RS این پیش بینی ها را با استفاده از تکنیک های فیلتر کردن خاصی انجام می دهد. این تکنیک ها عبارتند از: فیلترینگ همکاری، فیلترینگ مبتنی بر محتوا و فیلترینگ مبتنی بر دانش. این روش ها به کاربر کمک می کند تا اطلاعات مرتبط در شبکه پیچیده شبکه جهانی را کشف کند. فیلتر کردن مشارکتی شامل فیلتر کردن کاربران با خواسته های مشابه و پیش بینی آیتم های جدید برای کاربر بر اساس نتایج فیلتر شده است. فیلترینگ همکاری دو نوع است: مبتنی بر مدل و حافظه مبتنی بر. فیلتر کردن مبتنی بر مدل، همچنین به نام موتور توصیه توصیه آنلاین، شامل ایجاد یک مدل با استفاده از تکنیک ها و الگوریتم های مختلف برای ارائه توصیه ها است. از سوی دیگر، حافظه مبتنی بر استفاده از یک ماتریس رتبه بندی برای پیش بینی و اغلب برای مجموعه داده های بزرگ استفاده می شود. فیلتر کردن محتوا از اطلاعات، توضیحات و کلمات کلیدی در مورد آیتم ها و پروفایل های کاربر برای ارائه توصیه ها برای کاربران استفاده می کند. موتورهای توصیه کننده مبتنی بر دانش از محدودیت های مختلف و مواردی برای تهیه توصیه های مبتنی بر قوانین صریح و قوانین تشابه استفاده می کنند. یک پلت فرم پیشنهاد دهنده با استفاده از تمامی این تکنیک ها نیز امکان پذیر است. این سیستم Hybrid Recommender نامیده می شود. در طول زمان، روش های مختلفی برای ارائه توصیه های دقیق ارائه شده است. به غیر از تکنیک های فیلترینگ منظم، روش های دیگر در حال اتخاذ است.
Year: 2014
Publisher : IEEE
By : Salil Kanetkar ,Akshay Nayak, Sridhar Swamy, Gresha Bhatia
File Information: English Language/ 5 Page / size: 502 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1393
ناشر : IEEE
کاری از : سالیل کانتکار، آکسایا نایاک، سرایدر اسوامی,گرشا باهاتی
اطلاعات فایل : زبان انگلیسی / 5 صفحه / حجم : KB 502
نقد و بررسیها
هنوز بررسیای ثبت نشده است.