skip to Main Content

اعتماد به سیستم پیشنهاد دهنده با استفاده از هوش Swarm

عنوان انگلیسی: Trust aware recommender system using swarm intelligence
سال نشر: ۲۰۱۸
نویسنده: Sambhav Yadav,Vikesh Kumar,Shreyam Sinha,Sushama Nagpal
تعداد صفحه فارسی: ۲۸ – تعداد صفحه انگلیسی: ۲۳
دانشگاه: Netaji Subhas Institute of Technology, Delhi, India
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

به دلیل محدودیت‌ها و چالش‌های پیش روی سیستم‌های توصیه‌گر مبتنی بر فیلترینگ سنتی، محققان توجه خود را به استفاده از اطلاعات اعتماد میان کاربران در حین تولید پیشنهادها تغییر داده‌اند.مشاهده می‌شود که یک معیار اعتماد ممکن است برای برخی از کاربران بهتر عمل کند و در مورد کاربر دیگری این کار را انجام ندهد.این مقاله به نفع آن معیار است که توصیه‌های کیفیت بالا برای یک کاربر خاص ارایه می‌دهد.برای این منظور، وزن‌ها به متریک های مختلف اعتماد برای هر جفت کاربر اختصاص‌داده شده‌اند و به طور تکراری برای ایجاد توصیه‌های دقیق‌تر و شخصی بهینه شده‌اند.ما از تکنیک‌های هوش جمعی به نام الگوریتم Bat و بهینه‌سازی Swarm ذره برای همین کار استفاده کرده‌ایم.عملکرد روش پیشنهادی در این کار با استفاده از مجموعه داده MovieLens، Epinions، CiaoDVD و Filmtrust ارزیابی می‌شود و با پیشنهادها تولید کاره‌ای قبلی با استفاده از معیار فردی مقایسه می‌شود.نتایج نشان می‌دهد که MAE با استفاده از ترکیبی از اعتماد وزنی، ۰.۵۹ (با PSO)و ۰.۵۵ (با Bat)است، که در مقایسه با استفاده از یک معیار منفرد، بسیار بهتر است.همچنین، Bat با دقت ۸۵.۴۵

Abstract

Highlights•Weighted Trust metrics have been used to generate personalized recommendations.•Swarm Intelligent technique (Bat algorithm) was employed to find the weights.•Problems of sparsity and Malicious attacks have been addressed.•Results indicate resultant reduced MAE and more accurate recommendations.AbstractDue to limitations and challenges faced by traditional collaborative filtering-based recommender systems, researchers have been shifting their attention towards using trust information among users while generating recommendations. It is observed that one trust metric may work better for some user and fails to do so in the case of another user. This paper proposes to favor that metric which provides high-quality recommendations for a particular user. For this purpose, weights have been assigned to various trust metrics for each pair of users and optimized iteratively to generate more accurate and personalized recommendations. We have used swarm intelligent techniques namely Bat
امتیاز شما:
(No Ratings Yet)
Back To Top