این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 15 صفحه در سال 2016 منتشر شده و ترجمه آن 23 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
بهبود پیشنهاد برتر k با رابطه مندی اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر |
| عنوان انگلیسی مقاله: |
Improving top-K recommendation with truster and trustee relationship in user trust network |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2016 |
| تعداد صفحات مقاله انگلیسی | 15 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر و مهندسی فناوری اطلاعات |
| گرایش های مرتبط با این مقاله | اینترنت و شبکه های گسترده و مهندسی نرم افزار |
| مجله | علوم اطلاعاتی – Information Sciences |
| دانشگاه | گروه علوم کامپیوتر و مهندسی، POSTECH (دانشگاه علوم و فنون پوهانگ)، کشور کره |
| کلمات کلیدی | شبکه اجتماعی، سیستم توصیه و پیشنهاد، یادگیری رده بندی |
| شناسه شاپا یا ISSN | ISSN 2016.09.024 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه الزویر |  |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 23 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1-مقدمه
2- آثار مربوطه
1-2 فیلتر همکاری آمیز سنتی
2-2 سیستم توصیه کننده اجتماعی
3-2 سیستم توصیه کننده جهت گیری رده بندی kتراز اول
4-2 سیستم توصیه اتجامعی با جهت گیری رده بندی kتراز اول
3- توصیف مسئله
4- روش
1-4 اصول مبانی: مدل پلاکت-لووسی
2-4 مدل سازی رده بندی
3-4 مدل سازی اعتماد
4-4 مدل یکپارچه
5-تحلیل پیچیدگی
6- آزمایشات
1-6 مجموعه داده ها
2-6 پروتکل آزمایشی
3-6 متریک ارزیابی
4-6 رقبا
5-6 تحلیل عملکرد
6-6 تاثیر پارامتر های و
7-6 تحلیل ابعاد
7-نتیجه گیری و اثر آتی
- بخشی از ترجمه:
7-نتیجه گیری و اثر آتی
این مقاله TRecSo را مطرح می کند که روش توصیه تازه مبتنی بر یادگیری مرتبه ای بوده که دقت پیش بین رده بندی Kتراز اول را با در نظر داشتن اطلاعات شبکه اجتماعی بهینه سازی می کند. TRecSo اطلاعات شبکه اجتماعی را به تابع هدف مبتنی بر یادگیری مرتبه ای برای توصیبه ادغام می کند. به خاطر انعطاف پذیری بالا و پیچیدگی کم مدل ما، روش پیشنهادی را می توان به راحتی در کاربردهای جهان حقیقی استفاده کرد که در ؟ان سوابق تعامل کاربر-آیتم و اطلاعات شبکه اجتماعی کاربر مطرح می شود. نتایج آزمایشی جامع نشان می دهند که TRecSo به طور عمده بهتر از الگوریتم های پیشرفته در دقت رده بندی Kتراز اول توصیه عمل می کنند.
به خاطر داشته باشید که اثر ما بر اساس مفهوم احتمال تراز اول به جای احتمال Kتراز اول می باشد چون کاهش پیچیدگی زمانی بیشتر از دستاورد عملکرد است. به عنوان کار آتی مدل خود را در نظر داریم به احتمال Kبرتر بسط دهیم که آیتم های Kتراز اول را در لیست به جای احتمال مورد نخست برتر قرار می دهد تا ببینیم آیا بهبود عملکرد را می توان بدون مخاطره افکنی پیچیدگی اطلاعات زیاد به دست آورد. دوم آنکه برنامه ریزی می کنیم تا بررسی کنیم که آیا در مدل های متغییر دیگر احتمال محاسبه جایگشت ها به جای احتمال تراز اول وجود دارد.
- بخشی از مقاله انگلیسی:
7. Conclusion and future work
This paper proposes TRecSo, a novel LTR based recommendation method that optimizes the top-k ranking prediction accuracy by additionally considering the social network information. Specifically, TRecSo integrates the social network information into the Learning-To-Rank (LTR) based objective function for recommendation. Thanks to the flexibility (can be generalized to symmetric social relationship) and the low complexity (compared with pair-wise LTR approaches) of our model, our proposed method can be easily integrated into a real-world applications where user-item interaction history and user social network information are given. Comprehensive experimental results show that TRecSo significantly outperforms the state-of-the-art algorithms in the top-k ranking accuracy of recommendation. Recall that our work is based on the concept of top-one probability instead of top-k probability because the loss in time complexity outweighs the gain in performance. As a future work, we plan to extend our model to top-k probability that considers top-k items in a list rather than top-one probability to see whether the performance improvement can be achieved without compromising much computational complexity. Second, we also plan to investigate on other variant models for computing probability of permutations [5,40] rather than the top-one probability.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
بهبود توصیه های top-K با ارتباط اعتماد و اعتماد در شبکه اعتماد کاربر |
| عنوان انگلیسی مقاله: |
Improving top-K recommendation with truster and trustee relationship in user trust network |
|
|