دانلود ترجمه مقاله کاربرد گراف نزدیکترین همسایه K در الگوریتم فیلتر مشترک – مجله الزویر

فهرست مطالب:

 چكيده
۱ مقدمه
۲ کارهای مرتبط
۳ فیلتر کردن مشترک سریع
۳ ۱ ساختار نزدیکترین همسایگی گراف
۳ ۲ الگوریتم سریع توصیه گر
۴ آزمایش
۴ ۱ راه اندازی آزمایشی
۴ ۱ ۱ مجموعه داده ها و الگوریتم
۵ نتیجه گیری

بخشی از ترجمه:

نتیجه گیری
این مقاله RCF را که یک الگوریتم CF سریع است ارائه کرده است که از یک گراف K^’-NN بهره می¬برد. نه تنها این الگوریتم پیش بینی های کمتری را انجام میدهد در حالی که نتایج نادرست را فیلتر میکند ، بلکه از بازیابی سریع کاربران مشابه نیز پشتیبانی می¬کند . نتایج تجربی نشان می دهد خروجی به دست آمده از RCF ، نسبت به الگوریتم های مرسوم CF مبتنی بر آیتم یا کاربر، از هر دو نظر پیش پردازش زمان و پردازش پرس و جو در زمان، بدون به خطر انداختن سطح دقت و صحت ، بهتر است زمانی که ما مجموعه ی k و K^’ به ترتیب به ۱۰ و ۲۰ تنظیم کنیم . در حالی که بسیاری از کار های اخیر، مانند Birtolo و Ronca (2013) و Lee و همکاران. (۲۰۱۳)، در بهبود کیفیت توصیه تمرکز داشتند ، هدف اصلی رویکرد ما این است که زمان سپری شده مورد نیاز برای توصیه را کاهش دهیم .
محدودیت های رویکرد ما دو قسم هستند: اول، RCF برای مورد مناسب نیست جایی که ما مجبوریم ارزیابی تمامی آیتم های ارزیابی نشده را پیش بینی کنیم . در کار آینده، ما دوست داریم که یک الگوریتم جدید برای مقابله با این مشکل ارائه کنیم . دوم، عملکرد فیلتر حریص به طور قابل توجهی به مجموعه داده بستگی دارد به طوری که الگوریتم می تواند آهسته تر از پیوستن شاخص معکوس در بدترین حالت باشد . بنابراین ما در حال حاضر در حال توسعه یک الگوریتم ساخت نمودارK^’-KNN جدید هستیم که سطح بالایی از کیفیت و عملکرد را تضمین کند .

بخشی از مقاله انگلیسی:

۵٫ Conclusions

This paper presents RCF, a fast CF algorithm which utilizes a k 0 – NN graph. Not only does this algorithm perform fewer predictions while filtering out inaccurate results, but it also supports the rapid retrieval of similar users. The experimental results show that our approach outperforms traditional user-based/item-based CF algorithms in terms of both preprocessing time and query processing time without sacrificing the level of accuracy when we set k and k 0 to 10 and 20, respectively. While much of the recent work, such as Birtolo and Ronca (2013) and Lee et al. (2013), focuses on improving the recommendation quality, the main aim of our approach is to reduce the elapsed time required for recommendation.

The limitations of our approach are twofold: first, RCF is not appropriate for the case where we have to predict the ratings for all of the unrated items. In future work, we would like to present a novel algorithm for coping with this problem. Second, the performance of greedy filtering significantly depends on the dataset so that the algorithm could be slower than inverted index join in the worst case. Thus we are currently developing a novel k 0 -NN graph construction algorithm that guarantees high level of quality and performance.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه