فهرست مقالات Context-aware Recommendation

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - DBCACF: A Multidimensional Method for Tourist Recommendation Based on Users’ Demographic, Context and Feedback
  Maral  Kolahkaj Ali Harounabadi Alireza Nikravan shalmani Rahim Chinipardaz
  10.7508/jist.2018.04.004
  By the advent of some applications in the web 2.0 such as social networks which allow the users to share media, many opportunities have been provided for the tourists to recognize and visit attractive and unfamiliar Areas-of-Interest (AOIs). However, finding the appropr چکیده کامل

  By the advent of some applications in the web 2.0 such as social networks which allow the users to share media, many opportunities have been provided for the tourists to recognize and visit attractive and unfamiliar Areas-of-Interest (AOIs). However, finding the appropriate areas based on user’s preferences is very difficult due to some issues such as huge amount of tourist areas, the limitation of the visiting time, and etc. In addition, the available methods have yet failed to provide accurate tourist’s recommendations based on geo-tagged media because of some problems such as data sparsity, cold start problem, considering two users with different habits as the same (symmetric similarity), and ignoring user’s personal and context information. Therefore, in this paper, a method called “Demographic-Based Context-Aware Collaborative Filtering” (DBCACF) is proposed to investigate the mentioned problems and to develop the Collaborative Filtering (CF) method with providing personalized tourist’s recommendations without users’ explicit requests. DBCACF considers demographic and contextual information in combination with the users' historical visits to overcome the limitations of CF methods in dealing with multi- dimensional data. In addition, a new asymmetric similarity measure is proposed in order to overcome the limitations of symmetric similarity methods. The experimental results on Flickr dataset indicated that the use of demographic and contextual information and the addition of proposed asymmetric scheme to the similarity measure could significantly improve the obtained results compared to other methods which used only user-item ratings and symmetric measures. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - بهبود دقت سيستم‌‏های پیشنهاددهنده با تخمین اعتماد آگاه از زمان، مکان و زمینه بر اساس خوشه ‏بندی و توزیع بتا
  سمانه شیبانی حسن شاکری رضا شیبانی
  در دهه‌‏هاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستم‏هاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستم‏هاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده مي‌‏كنند. در اين مقاله يك رويكرد چندفاكتو چکیده کامل

  در دهه‌‏هاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستم‏هاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستم‏هاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده مي‌‏كنند. در اين مقاله يك رويكرد چندفاكتوري براي تخمين اعتماد بين كاربران سيستم‏هاي پيشنهاددهنده ارائه مي‌‏شود. در طرح پيشنهادي، ابتدا كاربران سيستم براساس شباهت مبتني بر اطلاعات دموگرافيك و تاريخچه ارزشيابي‏ها خوشه‌‏بندي مي‌‏شوند. براي تخمين ارزشيابي كاربر فعال به يك آيتم خاص، مقدار اعتماد بين او و ساير كاربران هم‏خوشه‌‏اش با درنظرگرفتن فاكتورهاي زمان، مكان، و زمينه ارزشيابي محاسبه مي‌‏شود. براي اين منظور، ما الگوريتمي مبتني بر توزيع بتا معرفي مي‏‌كنيم. يك معيار مبتني بر درخت جديد براي محاسبه شباهت معنايي بين زمينه‌‏ها مورد استفاده قرار مي‌‏گيرد. در نهايت،‌ ارزشيابي كاربر فعال با استفاده از ميانگين‌‏گيري وزني تخمين زده مي‌‏شود كه مقادير اعتماد به عنوان وزن در ميانگين‌‏گيري منظور مي‌‏شوند. طرح پيشنهادي بر روي سه مجموعه‌‏داده مطرح اجرا شده و ارزيابي و مقايسه نشان مي‌‏دهد كه اين طرح نتايج بهتري از نظر ملاك‏هاي دقت و كارآمدي نسبت به روش‏هاي موجود ارائه مي‌‏كند. پرونده مقاله