دانلود ترجمه مقاله سیستم پیشنهاد دهنده فردی در سرویس شبکه اجتماعی (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۲۲ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۳۴ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۷
تعداد صفحات مقاله انگلیسی	۲۲ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله	اینترنت و شبکه های گسترده
مجله	سیستم های خبره با کاربردهای آن – Expert Systems with Applications
دانشگاه	گروه علوم کامپیوتر و مهندسی، دانشگاه کره
کلمات کلیدی	سیستم توصیه دهنده فردی، خدمات شبکه اجتماعی، قدرت دوستی، رفتار اجتماعی، فیلتر مشارکتی
شناسه شاپا یا ISSN	ISSN ۲۰۱۶٫۱۰٫۰۲۴
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 سیستم توصیه دهنده فردی بر اساس داده های اجتماعی بزرگ
۲-۲ سیستم توصیه دهنده فردی بر اساس اطلاعات رابطه مندی افراد
۱-۲-۲ سیستم های توصیه دهنده فردی از سوی افراد تاثیر گذار
۲-۲-۲ سیستم های توصیه دهنده فردی از جانب دوستان
۳- قدرت دوستی بر اساس سیستم توصیه فردی
۱-۳ روش شناسی
۲-۳ دسته بندی بر اساس قطبیت محتویات (مرحله ۲و۳)
۳-۳ محاسبه مقدار اولویت کاربران (مراحل ۵و۶)
۴-۳ محاسبه قدرت دوستی (مراحل ۷،۸ و ۹)
۱-۴-۳ تشابه تاثیر متقابل
۲-۴-۳ تشابه گروه
۳-۴-۳ تشابه فردی
۵-۳ توصیه فردی (مرحله ۱۰)
۴-آزمایش و ارزیابی
۱-۴ مجموعه داده ها
۲-۴ فرایند ارزیابی
۵٫بحث
۶-نتیجه گیری

• بخشی از ترجمه:

۶-نتیجه گیری
در این مقاله سیستم توصیه دهنده فردی مبتنی بر قدرت دوستی مطرح نمودیم. قدرت دوستی مطرح شده ویژگی های متنوع داده های اجتماعی بزرگ را در نظر می گیرد به منظور اینکه صمیمیت بین کاربران در خدمات شبکه اجتماعی را بسنجد. سیستم توصیه دهنده فردیما وزنی برای هر کار تعیین می کند که رابطه تنگاتنگ در گروه اجتماعی بر اساس قدرت دوستی دارند تا موضوعات یا علاقه مندی هایی توصیه دهند که کابران ممکن است به آنها توجه داشته باشند. ازمایشات تطبیقی را با استفاده از داده های یک ماهه تویتر انجام دادیم که خدمات شبکه اجتماعی چند زمینه ای بوده و الگوریتم پیشنهادی را با متریک های دقت، یادآوری، سنجش اف.۱، خطای مطلق میانی، مقدار بازدهی کلی کسر شده متعارف تایید کردیم. نتایج آزمایشی نشان داد که کاربرد اطلاعات کاربران متصل خدمات شبکه اجتماعی بهتر از اطلاعات کاربران تعیین نشده در توصیه های فردی داده محور اجتماعی است. مهم تر اینکه قدرت دوستی مطرح شده تعیین کننده میزان صمیمیت بین کاربران بوده و به بهبود توصیه های فردی در محیط چند زمینه های در مقایسه با سنجش های دیگر کمک می کند.

• بخشی از مقاله انگلیسی:

۶٫ Conclusion

In this paper, we proposed a friendship strength-based personalized recommender system. The proposed friendship strength considers various characteristics of big social data in order to measure the closeness between users on SNS. Our personalized recommender system grants a weight to those users who are closely connected in their social circle based on friendship strength in order to recommend the topics or interests in which users might be interested. We conducted comparative experiments using one month’s Twitter data, which is multidomain SNS and verified the proposed algorithm using various metrics: precision, recall, f1 measure, MAE, and NDCG. The experimental results verified that the use of the information of connected users on the SNS is better than that of the information of unspecified users for big social data-based personalized recommendations. Further, and more importantly, the proposed friendship strength determines the degree of closeness between users appropriately and helps to improve personalized recommendations in a multi-domain environment as compared to other measures.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله