دانلود رایگان ترجمه مقاله بررسی سامانه توصیه گر مبتنی بر پالایش مشارکتی (نشریه IEEE 2016)
این مقاله انگلیسی ISI در نشریه IEEE در ۱۴ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۳۰ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
بررسی سامانه توصیه گر مبتنی بر پالایش مشارکتی برای اپلیکیشن های اینترنت موبایل |
عنوان انگلیسی مقاله: |
A Survey of Collaborative Filtering Based Recommender Systems for Mobile Internet Applications |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۶ |
تعداد صفحات مقاله انگلیسی | ۱۴ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر، فناوری اطلاعات و فناوری اطلاعات و ارتباطات |
گرایش های مرتبط با این مقاله | هوش مصنوعی، اینترنت و شبکه های گسترده، رایانش ابری و دیتا |
چاپ شده در مجله (ژورنال) | IEEE Access |
کلمات کلیدی | اینترنت موبایل، سیستم پیشنهاد دهنده، فیلترسازی مبتنی بر همکاری |
ارائه شده از دانشگاه | آزمایشگاه محاسبات و ارتباطات هوشمند (IC2)، گروه آموزش، دانشگاه پست و مخابرات پکن (BUPT)، چین |
رفرنس | دارد ✓ |
کد محصول | F1346 |
نشریه | آی تریپل ای – IEEE |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
وضعیت ترجمه | انجام شده و آماده دانلود |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۳۰ صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه نشده است ☓ |
ترجمه متون داخل جداول | ترجمه شده 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 ✓ |
منابع داخل متن | درج نشده است ☓ |
کیفیت ترجمه | کیفیت ترجمه این مقاله متوسط میباشد |
فهرست مطالب |
چکیده
مقدمه چارچوب سیستم پیشنهاددهنده CF گردآوری داده ها پیش پردازش اصول سنجش فیلترسازی مبتنی بر همکاری الگوریتم های معمولی CF CF مبتنی بر حافظه CF مبتنی بر گزینه مطالعات موردی یا سیستم های پیشنهاددهنده براساس الگوریتم های CF مورد ۱: مبتنی بر CF روی رفتار کاربران مورد ۲: CF مبتنی بر درجه بندی های کاربر نتیجه گیری |
بخشی از ترجمه |
چکیده
با توسعه سریع و کاربرد اینترنت موبایل، مقدار عظیمی از داده های کاربر تولید شده و هر روزه جمع اوری می شود. چگونگی استفاده از مزایای کامل این اطلاعات در همه جا، در حال تبدیل شدن به جنبه اساسی سیستم پیشنهادی است. فیلترسازی مبتنی بر همکاری یا CF به طور وسیعی مطالعه شده و برای پیشگویی علایق کاربران موبایل و استفاده از پیشنهادات مناسب استفاده می شود. در این مقاله، ما ابتدا یک چارچوب سیستم پیشنهاددهنده CF را براساس داده های کاربر مختلف مطرح می کنیم که شامل درجه بندی های کاربر و رفتارهای کاربر می باشد. ویژگی های کلیدی این دو نوع داده ها مورد بحث قرار می گیرد. بعلاوه، چندین الگوریتم CF معمولی طبقه بندی می شود حین اینکه شیوه های مبتنی بر حافظه و شیوه های مبتنی بر مدل با هم مقایسه شود. دو مطالعه موردی در یک تلاش برای روایی سازی چارچوب مطرح شده ارائه می شود.
۱- مقدمه
همراه با توسعه سریع اینترنت موبایل و محاسبه ابری، مقادیر زیادی داده هر روز توسط افراد و ماشین ها تولید می شود. جامعه ما در واقع به عصر داده های کلان وارد می شود. به یمن وسایل هوشمند مختلف و اپلیکیشن های موبایل، کاربران اینترنت می توانند همه نوع اطلاعات را درباره اموزش، خرید، فعالیت اجتماعی و غیره بدست آورند. ولیکن حین اینکه حجم داده ها افزایش می یابد، افراد مجبورند با مسئله اطلاعات بیش از حد مواجه شوند، که انجام تصمیمات درست را سخت تر می سازد. این پدیده را به شکل افزایش بار اطلاعات می نامند. بعلاوه، کاربرانی که با توانایی ورودی وسایل موبایل محدود شده اند، معمولا نمی خواهند که تعداد زیادی لغت تایپ کنند تا بگویند که چه می خواهند. سیستم پیشنهاددهنده می تواند این مسائل را با تعریف موثر الزامات احتمالی کاربران و انتخاب گزینه های دلخواه از یک مقدار عظیمی از اطلاعات کاندیدا برطرف سازد. سیستم های پیشنهاد دهنده معمولا به دو طبقه طبقه بندی می شوند یعنی فیلترسازی مبتنی بر محتوا و مبتنی بر همکاری.
سیستم پیشنهاددهنده مبتنی بر محتوا از محتواهای گزینه ها استفاده کرده و شباهت ها را در میان آنها می یابند. بعد از تحلیل تعداد کافی گزینه هایی که یک کاربر قبلا آنرا دوست داشته، مشخصات علایق کاربر مشخص می شود. بعد سیستم پیشنهاددهنده می تواند پایگاه داده ها را جستجو کند و گزینه های مناسبی را طبق این مشخصات انتخاب کند. مشکل این الگوریتم ها در این امر نهفته است که چگونه ترجیحات کاربر را براساس محتویات گزینه ها بیابیم. بسیاری شیوه ها برای حل این مسئله در حیطه های داده کاوی و یادگیری ماشینی تدوین شده است. برای مثال، برای پیشنهاد برخی مقالات به خواننده ویژه ای، یک سیستم پیشنهاد دهنده ابتدا همه کتابهایی که این خواننده خوانده را بدست می اورد و بعد محتویات آنها را تحلیل می کند. کلمات کلیدی می تواند از متن با کمک روشهای متن کاوی استخراج شود مانند TF-IDF معروف. بعد از ملحق سازی توزین های مربوط به همه کلیدواژه ها به آنها، یک کتاب می تواند با یک بردار چندبعدی نمایش داده شود. الگوریتم های خوشه گیری ویژه می تواند اجرا شود تا این بردارها را بیابد که نمایانگر علایق این خواننده می باشد. از سوی دیگر، فیلترسازی مبتنی بر همکاری یا CF یکی از تاثیرگزارترین الگوریتم های پیشنهاددهنده شده است. برخلاف شیوه های مبتنی بر محتوا، CF تنها متکی بر درجه بندی های گزینه از هر کاربر می باشد. این امر برپایه این فرضیه است که کاربرانی که همان گزینه ها را با درجه بندی های مشابهی درجه بندی می کنند احتمالا ترجیحات مشابهی دارند. CF به طور اخص طراحی شده تا پیشنهاداتی را فراهم سازد زمانی که اطلاعات مفصل درباره کاربران و گزینه ها غیرقابل دسترس باشد. بعلاوه، به طور موفقیت آمیزی مسئله تخصص سازی بیش از حد است که کاملا در سیستم های مبتنی بر محتوا متداول می باشد. تخصص سازی بیش از حد پدیده ای است که گزینه های توصیه شده همیشه همان بوده و تنوع پیشنهادات نادیده گرفته می شوند. حین اینکه CF پیشنهاداتی را طبق مجاورت ها انجام می دهند (افراد با ترجیحات مشابه)، گزینه ای که یک کاربر مصرف می کند می تواند تا حدی برای مجاورانش جدید باشد. ویژگی های بالا به ویژه جذابیت دارد که باعث می شود الگوریتم های CF تا حد زیادی در سیستم های پیشنهاد دهنده بکار گرفته شود. اما، تا انجا که می دانیم، هر مطالعه معدودی ویژگی های متداول الگوریتم های مختلف CF را برای اپلیکیشن های اینترنت موبایل اشکار کرده اند. بعلاوه، اغلب تحقیقات موجود صرفا اصول الگوریتم های CF را معرفی کرده و اهمیت مطالعه موردی را نادیده گرفته که می تواند عملکردهای الگوریتم های معمولی را به طور بصری و به طور ویژه نمایش دهد. از اینرو، این مقاله بر سیستم های پیشنهاد کننده مبتنی بر فیلترسازی مبتنی بر همکاری برای اپلیکیشن های اینترنت موبایل متمرکز است. بویژه، نقش های اصلی این مقاله به ترتیب ذیل روشن شده اند تا از داده های جمع اوری شده استفاده کنند و پیشنهادات مناسبی را ایجاد کنند. ویژگی های داده های جمع اوری شده از هر دو رفتارهای کاربر و درجه بندی های کاربر همچنین مورد بحث قرار گرفته و مقایسه شده اند. -الگوریتم های CF طبقه بندی شده اند. روشهای اصلی CF به اختصار خلاصه سازی و معرفی شده اند. -دو مطالعه موردی برای روایی سازی چارچوب مطرح شده ارائه شده اند. ارزیابی ها درباره الگوریتم های CF نماینده براساس پایگاه های داده دنیای واقعی با تحلیل و مقایسه مفصل اجرا شده اند. بقیه این مقاله به ترتیب ذیل سازماندهی می شود. بخش دوم نمایانگر چارچوب CF می باشد. هر دو طبقه بندی و روشهای اصلی الگوریتم های CF معمولی در بخش سوم معرفی شده است. در بخش چهارم، ما دو مطالعه موردی را براساس پایگاه داده های دنیای واقعی برای تحلیل عملکردهای الگوریتم های CF اجرا کرده ایم. سرانجام اینکه، بخش پنجم قسمت نتیجه گیری این مقاله می باشد. |
بخشی از مقاله انگلیسی |
Abstract With the rapid development and application of the mobile Internet, huge amounts of user data are generated and collected every day. How to take full advantages of these ubiquitous data is becoming the essential aspect of a recommender system. Collaborative filtering (CF) has been widely studied and utilized to predict the interests of mobile users and to make proper recommendations. In this paper, we first propose a framework of the CF recommender system based on various user data including user ratings and user behaviors. Key features of these two kinds of data are discussed. Moreover, several typical CF algorithms are classified as memory-based approaches and model-based approaches and compared. Two case studies are presented in an effort to validate the proposed framework. ۱ Introduction cloud computing, massive amounts of data are produced every day by both people and machines. Our society has already entered the era of Big Data [1]. Thanks to the various smart devices and mobile applications, Internet users can acquire all sorts of information about education, shopping, social activity, etc. [2] [3] [4] [5]. However, as the volume of data increases, individuals have to face the problem of excessive information, which makes it more difficult to make the right decisions. This phenomenon is known as information overload [6]. Moreover, limited by the input ability of mobile devices, users are usually unwilling to type in lots of words to describe what they want. Recommender system can alleviate these problems by effectively finding users’ potential requirements and selecting desirable items from a huge amount of candidate information. Recommender systems are usually classified into two categories, i.e., content-based and collaborative filtering (CF) [7]. Content-based recommender system utilizes the contents of items and finds the similarities among them. After analyzing sufficient numbers of items that one user has already shown favor to, the user interests profile is established. Then the recommender system could search the database and choose proper items according to this profile. The difficulty of these algorithms lies in how to find user preferences based on the contents of items. Many approaches have been developed to solve this problem in the areas of data mining or machine learning. For example, in order to recommend some articles to a specific reader, a recommender system firstly obtains all the books this reader has already read and then analyzes their contents. Key words can be extracted from the text with the help of text mining methods, such as the well-known TF-IDF [8]. After integrating all the key words with their respective weights, a book can be represented by a multi-dimensional vector. Specific clustering algorithms can be implemented to find the centers of these vectors which represent the interests of this reader. On the other hand, collaborative filtering (CF) has become one of the most influential recommendation algorithms [9]. Unlike the content-based approaches, CF only relies on the item ratings from each user. It is based on the assumption that users who have rated the same items with similar ratings are likely to have similar preferences. CF is specifically designed to provide recommendations when detailed information about the users and items is inaccessible. Furthermore, it successfully mitigates the problem of over-specialization [10], which is quite common in content-based systems. Over-specialization is the phenomenon that recommended items are always much the same and the diversity of recommendations is neglected. As CF makes recommendations according to the neighborhood (people with similar preferences), the item one user has consumed may be something new to his neighbors. The above features are particularly attractive which make CF algorithms extensively employed in recommender systems. However, to the best of our knowledge, very few studies have revealed the common features of the various CF algorithms for mobile Internet applications. In addition, most of the existing surveys merely introduce the principles of CF algorithms, ignoring the importance of case study, which can demonstrate the performances of typical algorithms visually and specifically. Therefore, this paper focuses on collaborative filtering based recommender systems for mobile Internet applications. In particular, main contributions of this paper are highlighted as follows: • We introduce a general framework of CF recommender system. This framework assists recommender developers to utilize the gathered data and to generate proper recommendations. The features of data collected from both user behaviors and user ratings are also discussed and compared. • CF algorithms are classified. Main procedures of CF are briefly summarized and introduced. • Two case studies are presented to validate the proposed framework. Evaluations on representative CF algorithms are conducted based on real-world datasets with detailed analysis and comparison. The rest of this paper is organized as follows. Section II presents the framework of CF. Both classification and main procedures of typical CF algorithms are introduced in Section III. In Section IV, we conduct two case studies based on realworld datasets in order to analyze the performances of CF algorithms. Finally, Section V concludes this paper. |