دانلود ترجمه مقاله بهبود توصیه top-K با ارتباط اعتماد (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۵ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۲۳ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۱۵ 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 ۲۰۱۶٫۰۹٫۰۲۴
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده
۱-مقدمه
۲- آثار مربوطه
۱-۲ فیلتر همکاری آمیز سنتی
۲-۲ سیستم توصیه کننده اجتماعی
۳-۲ سیستم توصیه کننده جهت گیری رده بندی kتراز اول
۴-۲ سیستم توصیه اتجامعی با جهت گیری رده بندی kتراز اول
۳- توصیف مسئله
۴- روش
۱-۴ اصول مبانی: مدل پلاکت-لووسی
۲-۴ مدل سازی رده بندی
۳-۴ مدل سازی اعتماد
۴-۴ مدل یکپارچه
۵-تحلیل پیچیدگی
۶- آزمایشات
۱-۶ مجموعه داده ها
۲-۶ پروتکل آزمایشی
۳-۶ متریک ارزیابی
۴-۶ رقبا
۵-۶ تحلیل عملکرد
۶-۶ تاثیر پارامتر های و
۷-۶ تحلیل ابعاد
۷-نتیجه گیری و اثر آتی

• بخشی از ترجمه:

۷-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:

۷٫ 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.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله