توسعه سامانه توصیه گر هوشمند با رویکرد پالایش گروهی بر پایه مدل سازی داده های جغرافیایی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف اصلی این تحقیق، طراحی و پیاده سازی سامانه توصیه گر هوشمند با استفاده از داده های مدل سازی GIS جهت بالا بردن کیفیت پیشنهادات در سیستم های فروش انلاین می باشد. روش تحقیق انتخا ب شده، روش تحقیق علمی طراحی و آزمایشی است که در آن، در مرحله ارزیابی روش تحقیق علمی طراحی، از طراحی آزمایش استفاده شده است. برای بهبود عملکرد سامانه توصیه گر هوشمند، از برچسب های گذاشته شده توسط کاربران و الگوریتم شبکه های عصبی عمیق به همراه مدل سازی GIS برای تولید توصیه ها استفاده شده است. در آزمایش طراحی و انجام شده، سامانه توصیه گر برچسب محور (که برای تولید توصیه طراحی و ایجاد شده است) با سامانه توصیه گر پالایش گروهی (که از سامانه های توصیه گر مرسوم و معیار است) در معیارهای ارزیابی دقت، به یادآوری و F1 مقایسه می شود. براساس نتایج، سامانه توصیه گر ارائه شده مبتنی بر روش پالایش گروهی و داده های GIS بر مبنای شبکه های عصبی عمیق در تمام این معیارهای ارزیابی از سامانه پالایش گروهی بهتر عمل می کند.Development of an Intelligent Recommender System with a group Refinement approach based on Geographic Data Modeling
The main objective of this research is to design and implement an intelligent recommender system using GIS modeling data to improve the quality of recommendations in online sales systems. The selected research method is the scientific design and experimental research method, in which, in the evaluation stage of the scientific design research method, experimental design has been used. To improve the performance of the intelligent recommender system, user-defined labels and deep neural network algorithms along with GIS modeling have been used to generate recommendations. In the designed and conducted experiment, the label-based recommender system (which is designed and created to generate recommendations) is compared with the group filtering recommender system (which is a conventional and benchmark recommender system) in the evaluation criteria of precision, recall, and F1. Based on the results, the proposed recommender system based on the group filtering method and GIS data based on deep neural networks performs better than the group filtering system in all these evaluation criteria.
تبلیغات
