طراحی و ایجاد سامانه توصیه گر برچسب محور بر مبنای شبکه های عصبی عمیق

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 67

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SAIM-3-2_007

تاریخ نمایه سازی: 24 آذر 1402

چکیده مقاله:

هدف اصلی این تحقیق، طراحی و پیاده سازی سامانه توصیه گر فروشگاه های آنلاین برچسب محور برای یک فروشگاه فیلم های سینمایی، جهت بالا بردن فروش اینترنتی است. روش تحقیق انتخاب شده، روش تحقیق علم طراحی و آزمایشی است که در آن، در مرحله ارزیابی روش تحقیق علم طراحی، از طراحی آزمایش استفاده شده است. برای بهبود عملکرد سامانه توصیه گر، از برچسب های گذاشته شده توسط کاربران و الگوریتم شبکه های عصبی عمیق برای توصیه فیلم های سینمایی به آن ها استفاده شده است. آزمایشی طراحی و انجام شده است که در آن، سامانه توصیه گر بر چسب محور (که برای توصیه فیلم های سینمایی طراحی و ایجاد شده است) با سامانه توصیه گر پالایش گروهی (که از سامانه های توصیه گر جاافتاده و معیار است) در معیارهای ارزیابی دقت، به یادآوری و f۱ مقایسه می شود. براساس نتایج، سامانه توصیه گر برچسب محور بر مبنای شبکه های عصبی عمیق در تمام این معیارهای ارزیابی از سامانه پالایش گروهی بهتر عمل می کند.

کلیدواژه ها:

نویسندگان

سعید روحانی

استادیار، گروه فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران، تهران، ایران

رامین زندوکیلی

دانشجوی کارشناسی ارشد، گروه MBA، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

منوچهر انصاری

دانشیار، گروه MBA، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Kim, H. N., Ji, A. T., Ha, I., & Jo, ...
  • Park, D. H., Kim, H. K., Choi, I. Y., & ...
  • Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S., ...
  • Su, X., & Khoshgoftaar, T. M., A survey of collaborative ...
  • Zhang, Z. K., Liu, C., Zhang, Y. C., & Zhou, ...
  • Zuo, Y., Zeng, J., Gong, M., & Jiao, L., Tag-aware ...
  • Sohrabi, B., Raeesi Vanani, I., Zareh Mirkabad, F. Designing a ...
  • Designing a Model for Improving Banking Recommender Systems Based on Predicting Customers’ Interests: Application of Data Mining Techniques [مقاله ژورنالی]
  • Núñez-Valdéz, E. R., Lovelle, J. M. C., Martínez, O. S., ...
  • Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A., Recommender ...
  • Sarwar, B., Karypis, G., Konstan, J., Riedl, J., Application of ...
  • Bengio, Y., Courville, A., & Vincent, P., Representation learning: A ...
  • Bengio, Y., Learning deep architectures for AI. Foundations and trends® in ...
  • Liu, D. C., & Nocedal, J., On the limited memory ...
  • Marinho, L. B., & Schmidt-Thieme, L., Collaborative tag recommendations. In Data ...
  • Ricci, Francesco, Lior Rokach, and Bracha Shapira. "Introduction to recommender ...
  • Firan, C. S., Nejdl, W., & Paiu, R., The benefit ...
  • Koren, Y., Bell, R., & Volinsky, C., Matrix factorization techniques ...
  • Liang, H., Xu, Y., Li, Y., Nayak, R., & Tao, ...
  • De Lathauwer, L., De Moor, B., & Vandewalle, J., A ...
  • Hotho, A., Jäschke, R., Schmitz, C., & Stumme, G., Information ...
  • Hevner, A., & Chatterjee, S., Design research in information systems: theory ...
  • Marinho, L. B., Nanopoulos, A., Schmidt-Thieme, L., Jäschke, R., Hotho, ...
  • نمایش کامل مراجع