الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
ارزیابی لایه ای فیلترینگ مشترک چند معیاری برای توصیه مقالات علمی
نام انگلیسی
Layered Evaluation of Multi-Criteria Collaborative Filtering for Scientific Paper Recommendation
تعداد صفحه به فارسی
۲۵
تعداد صفحه به انگلیسی
۹
کلمات کلیدی به فارسی
سیستم های توصیه, تصمیم گیری چند معیاره, ارزیابی
کلمات کلیدی به انگلیسی
Recommender systems, Multi-Criteria Decision Making (MCDM), Evaluation
مرجع به فارسی
کنفرانس بین المللی علوم محاسباتی
دپارتمان علوم کامپیوتر، دانشگاه فن آوری ایندهوون، هلند
الزویر
مرجع به انگلیسی
Procedia Computer Science; International Conference on Computational Science; Agro-know Technologies, Athens, Greece; Department of Computer Science, Eindhoven University of Technology, Eindhoven, the Netherlands
کشور
یونان – هلند
ارزیابی لایه ای فیلترینگ مشترک چند معیاری برای توصیه مقالات علمی
چکیده
الگوریتم های توصیه جهت کمک به افرادی که با وفور اطلاعات سر و کار دارند به طور گسترده مورد مطالعه قرار گرفته است. در سالهای اخیر، بررسی معیارهای چندگانه بسیار مورد علاقه قرار گرفته است. چنین راهکارهای توصیه چند معیاری به عنوان یک پارادایم برای ساخت سیستم های هوشمندی که می توانند چندین شاخص علاقه، از جمله ترکیب شاخص های صریح و ضمنی در قالب رتبه بندی / ریتینگ، در ابعاد مختلف را برای کاربر نهایی بررسی کنند مورد پژوهش قرار گرفته اند. با این وجود، ارزیابی این تکنیک های توصیه در زمینه برنامه های واقعی هنوز بسیار محدود است. مطالعات اخیر در زمینه ارزیابی سیستم های توصیه نشان داده اند که عملکرد چنین الگوریتم هایی اغلب وابسته به دیتاست / مجموعه اطلاعات و داده ها است. بعلاوه این مطالعات اهمیت اجرای تست و پارامترگذاری ها را نشان داده اند. مخصوصا هنگام بررسی دیتاست های بزرگ، اجرای روش های ارزیابی، با قابلیت ارزیابی مطلوب در خصوص بررسی تاثیر اجزای مختلف سیستمی بر روی طراحی کلی، دشوار خواهد بود. در این مقاله، چگونگی ارزیابی لایه ای و اجرای آن برای سیستم های توصیه چند معیاری بررسی شده و قابلیت اعمال چنین راهکاری برای توصیه مقاله با استفاده از دیتاست Mendeley مورد مطالعه قرار می گیرد. در این مقاله روش ارزیابی لایه ای معرفی شده و دو آزمایش با قابلیت ارزیابی اجزای سیستم به طور جداگانه انجام خواهد شد.
کلمات کلیدی: سیستم های توصیه، تصمیم گیری چند معیاره، ارزیابی
۱- مقدمه
در سال های اخیر، علاقه زیادی در زمینه توصیه برای مقالات علمی وجود داشته است. این موضوع در رواج توسعه و استفاده از خدمات توصیه در پورتال های علمی به وضوح منعکس شده است؛ از جمله Mendeley.com, CiteSeer (http://citeseerx.ist.psu.edu), citeulike.org, Google Scholar (http://scolar.google.be). راهکارهای متعددی توسط پژوهشگران برای تولید توصیه های مرتبط با مقالات علمی برای کاربران ارائه شده است؛ این راهکارها یافتن مقالات علمی مربوطه از کلکسیون مقالاتی که توسط این پورتال ها ارائه شده است را تسهیل می کنند.
…
در این مقاله، به طور خاص بر اعمال یک فریم ورک ارزیابی لایه ای برای تطبیق اجزای برهم کنش یک سیستم توصیه گر تمرکز می کنیم. مطالعات اخیر نشان داده اند که بهترین تکنیک اجرایی اغلب به زمینه کاری برنامه، و دیتاستی که برای ارزیابی راهکار مورد استفاده قرار می گیرد بستگی دارد. در این مطالعه، ما بر روی یک سیستم ،که بر اساس یک دیتاست بزرگ می باشد، تمرکز می کنیم تا ببینیم که چگونه ممکن است بر عملکرد راهکار توصیه تاثیر بگذارد.به طور تخصصی تر، از دیتاست Mendeley [4] به عنوان پایه استفاده می شود، که سیستم توصیه چند معیاره ممکن است بر اساس آن طراحی شود. سپس، سیستم توصیه چند معیاره که در بالای دیتای Mendely کار میکند با کمک یک فریم ورک ارزیابی لایه ای بررسی می شود.
لایه فیلترینگ چند معیاری توصیه مقالات علمی
۲- فیلترینگ مشترک / گروهی چند معیاره با استفاده از دیتاست Mendeley
در مطالعات مربوطه، مسئله توصیه به عنوان راهی برای کمک به افراد در یک جامعه برای یافتن اطلاعات یا محصولاتی که به احتمال زیاد مورد علاقه ی آنهاست یا مرتبط با نیاز آنهاست ، شناخته می شود [۷]. این موضوع همچنین به دو مسئله تفکیک می شود؛ مسئله ی (i) پیش بینی این که یک کاربر خاص به یک آیتم خاص علاقه خواهد داشت (مسئله پیش بینی)، یا (ii) شناسایی مجموعه ای از N آیتم که مورد علاقه ی یک کاربر خاص خواهد بود (مسئله توصیه N-top) [1]. بنابراین، مسئله توصیه عمومی را می توان به صورت زیر فرمول بندی کرد: C را مجموعه تمام کاربران و S را مجموعه تمام آیتم های ممکن که می توان توصیه کرد، در نظر می گیریم. Uc(s) را به عنوان تابع یوتیلیتی/ تابع مطلوبیت تعریف می کنیم؛ Uc(s): C*Sà ، که مناسب بودن توصیه آیتم s به کابر c را اندازه گیری می کند. فرض بر این است که این تابع برای کل فضای C*S معلوم نیست، مگر برا چند زیرمجموعه از آن. بنابراین، در زمینه توصیه، می خواهیم هر کاربر c بتواند:
لایه فیلترینگ چند معیاری توصیه مقالات علمی
۳- ارزیابی لایه ای برای سیستم توصیه دهنده MAUT
فریم ورک ارزیابی لایه ای (یا تفکیکی) بیش از یک دهه است که توجه پژوهشگران در تحقیقات سیستم های تطبیقی را به خود جلب کرده است؛ فریم ورک ها، روش ها و دستورالعمل های متعددی در ادبیات مربوطه مطرح و تست شده اند [۱۵]. این رروش ها سعی کرده اند یک سیستم را به زیرسیستم ها یا لایه های تشکیل دهنده اش تفکیک کنند و سپس روشهای ارزیابی خاصی که می توانند عملکرد هر لایه را ارزیابی کنند، را اعمال کنند. منطق پشت این راهکارها چنین است: اغلب تلاشهای اخیر برای ارزیابی چنین سیستم هایی یک راهکار “با و بدون شخص سازی” را دنبال می کنند؛ “جزء شخصی سازی” از سیستم “مجزا” شده، و دو نسخه از سیستم (یکی با مشخصه شخصی سازی و یکی بدون شخصی سازی)برای بررسی این که آیا شخصی سازی مزایای خاصی دارد یا خیر ، با هم مقایسه شدند. این راهکار یک مشکل اساسی دارد: سیستم ” غیر شخصی سازی شده” که برای بررسی مورد استفاده قرار گرفته است، برنامه ای نیست که براساس مشخصه های طراحی خاصی توسعه یافته باشد، اما یک “محصول” است که از حذف عنصر شخصی سازی حاصل شده است. علاوه بر این، این راهکار وقتی که سیستم شخصی سازی شده غیرکارآمد باشد، سومند نیست، چرا که راهی برای درک این که چرا سیستم (یا هر یک از اجزای آن) علیرغم بهبود آن، موفق نبوده است، وجود ندارد.
لایه فیلترینگ چند معیاری توصیه مقالات علمی
۴- تنظیم آزمایشات ارزیابی با اتخاذ یک راهکار لایه ای
بر اساس تحلیل انجا شده در بخش قبلی، سیستم MAUT که در بالای دیتاست Mendeley طراحی شده است را می توان به قسمت های زیر تفکیک کرد:
تمام برهم کنش های مربوط به پروفایل های ارجحیت های کاربر: در این سیستم، ارجحیت های کاربر بر اساس ریتینگ آیتم ها ارائه می شود و روش ارائه یک ماتریس آیتم- کاربر است. نوع ریتینگ عددی (قابل اندازه گیری) است و از نوه چند معیاره یا چند مشخصه می باشد ؛ به طوریکه ریتینگ بر اساس چند اندازه….
تمام برهم کنش های مربوط به توصیه ها: در سیستم، توصیه ها در قالب ریتینگ های پیش بینی شده برای مقادیر نامعلوم…..
در پاراگراف بعدی دو آزمایش بررسی ممکن را مطرح می کنیم که می تواند هر جزء را به طور جداگانه بررسی کرده و دید سودمندی از این که راهکار MAUT ممکن است ارزش افزوده به چنین برنامه هایی اضافه می کند، ارائه می دهد.
۴-۱- ارزیابی مدل کاربر چند معیاره
مدل کاربر ی که از دیتاست Mendeley استخراج کردیم یک مدل خاص است، چرا که تمام سیستم های فیلترینگ مشترک از ریتینگ برای ارائه ارجحیت های کاربر استفاده می کنند. در سیستم MAUT، مورد خاصی که وجود دارد این است که از یک راهکار چند بعدی استفاده شده است، که دقت بیشتری در مدل سازی ارجحیت ها دارد بنابراین نتایج توصیه بهتری ارائه می دهد.
برای ارزیابی این که این راهکار مدل سازی در مقایسه با یک راهکار تک مشخصه ، که از یک ریتینگ کلی که توسط یک کاربر برای یک آیتم خاص ارائه شده است، چگونه عمل می کند، می توانیم تعداد ابعاد (معیارها) یی که بر عملکرد سیستم تاثیر می گذارد را با هم مقایسه کنیم. به طور کلی:
۴-۲- ارزیابی الگوریتم فیلترینگ مشترک
الگوریتم های توصیه که در سیستم هی توصیه گر MAUT مطرح شده اند، خاص هستند و تنها تفاوت آنها این است که مدل کاربر یک مدل چندمشخصه است. با جداکردن ارزیابی مدل کاربر از ارزیابی روش الگوریتم توصیه، می خواهیم یک آزمایش ارزیابی انجام دهیم که الگوریتم های فیلترینگ مشترک MAUT را در مقابل بعضی از الگوریتم های اساسی شخصی نشده مقایسه خواهد کرد. در این مقایسه، مطالعه می کنیم که الگوریتم فیلترینگ مشترک چگونه بر روی تعدادی از دیتاست های کوچکتر که از دیتاست اصلی بزرگتر تولید شده اند کار می کند، یا (حتی بهتر از آن) از طریق مطالعه عملکرد آنها بر دیتاست های بیشتر که از تنظیمات توصیه مقاله به دست آمده اند، به جز دیتاست Mendeley. جدول ۳ یک نسخه ساختگی/ نمونه با مقایسه عملکرد الگوریتم های مختلف و تغییرات آنها در دیتاست های مختلف از این محدوده ی برنامه، نشان می دهد این نتایج چگونه ممکن است باشد.
لایه فیلترینگ چند معیاری توصیه مقالات علمی
۵- تحلیل نتایج
علاوه بر این، مزیت دیگر چنین راهکار تست تجربی ای این واقعیت است که اهمیت استفاده از دیتاست های چندگانه را تشریح می کند (از طریق ایجاد نمونه های تصادفی کوچکی که از یک نمونه ی بزرگتر، از طریق نمونه های تشکیل شده/ شبیه سازی شده ی تولید شده، یا از طریق استفاده از دیتاست های مختلف موجود در محدوده ی برنامه های مشابه). این روش پرکاربردترن نوع آزمایش در تحقیقات سیستم توصیه گر است، اما گاهی اوقات اهمیت استفاده از دیتاست های چندگانه اما قابل مقایسه کمتر از حد برآورد شده است. راهکار لایه ای نشان داده است که این جنبه هنگام بررسی تفاوتی که یک الگوریتم خاص (یا نوعی از یک الگوریتم) برای یک زمینه داده شده ایجاد می کند، چقدر اهمیت پیدا می کند.
با این وجود، فریم ورک های لایه ای در صورتی که بتوانند موارد زیر را نیز ارائه کنند، در تحقیقات مربوط به سیستم های توصیه مثمر ثمر خواهند بود:
آماده سازی روش های ارزیابی سیستماتیک و منسجم برای برنامه در تست.
بازترکیب/ تفکیک سیستم توصیه گر که بتوان برای سیستم ها یا الگوریتم های بیشتر به کار برد.
روشهایی که در آن نکات ارزیابی به شاخص های قابل اندازه گیری و دقیق برای اپراتور/ مجری سیستم ترجمه شوند.
دستورالعمل ها و راهنماهای ارزیابی دقیق تر، از جمله روش های پیشنهادی، ابزار و دستورالعمل هایی که با هر جزء نطبیق داشته باشد.
لایه فیلترینگ چند معیاری توصیه مقالات علمی
۶- نتیجه گیری
این مقاله یک مورد از یک سیستم توصیه گر چند معیاره برای پلت فرم Mendeley با استفاده از یک دیتاست موجود، که توسط Mendeley منتشر شده است، را معرفی می کند؛ این دیتاست را می توان یک دیتاست چند مشخصه درنظر گرفت. اینن مقاله همچنین بر روی این مسئله که چگونه بررسی این راهکار را می توان با اتخاذ یک فریم ورک بررسی لایه ای انجام داد، مطالعه می کند. این مقاله به کارگیری بررسی لایه ای برای چنین سیستم هایی را ارزیابی کرده و انواع آزمایشاتی که ممکن است برای ارزیابی اجزای مختلف سیستم های توصیه گر چندمعیاره به کار گرفته شوند را برررسی می کند. تحلیل های ما نشان می دهد که اجرای ارزیابی یک سیستم توصیه گر لایه ای پتانسیل تسهیل ارزیابی دقیق تر و جامع از چنین سیستم هایی را دارد، که این امر به پژوهشگران و توسعه دهندگان امکان درک بهتر از چگونگی توسعه این سیستم ها را می دهد.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
