دانلود فایل ورد word پروژه ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتماد

دانلود فایل ورد word پروژه ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتماد

فرمت فایل دانلودی: .zip
فرمت فایل اصلی: doc
AFFPAGECNTحجم فایل: 1420AFFPRODUCTPRICE

بخشی از متن:
فرمت فایل اصلی : ورد قابل ویرایشعنوان:ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتمادتعداد صفحات :149چکیده:امروزه
با گسترش و رشد روز افزون اطلاعات در فضای مجازی و وجود انبوهی از کالا یادماتی که در وب سایتهای تجاری و خدماتی ارائه می­گردند کاربران را با این مشکل مواجه نموده است که چگونه کالا یا خدمت مورد نظر خود را به راحتی و با صرف کمترین زمان ممکن بیابند. در این میان سیستمهای توصیه­گر با هدف تسهیل و یاری رساندن به کاربران در زمینه انتخاب و یافتن کالای مورد نیاز
ایشان با استفاده از علوم و روشهای مبتنی بر داده کاوی اطلاعات، ایجاد و توسعه یافته­اند. همچنین در سالهای اخیر ظهور و گسترش شبکه­های اجتماعی و شبکه­های مبتنی بر رابطه اعتماد میان کاربران، باعث گشوده شدن افق جدیدی درارائه سیستمهای توصیه­گر و توسعه نسل جدیدی از اینگونه سیستمها گردیده است و آنرا به یکی از موضوعات جذاب و مورد توجه محققان تبدیل نموده است.از میان روشها و مدل­های موجود در زمینه سیستمهای توصیه­گر روش پالایش گروهی
به لحاظ سادگی پیاده­سازی از محبوبیت قابل ملاحظه­ای برخوردار است اما این روش در ارائه پیشنهادات مناسب و قابل قبول به کاربران تازه وارد دارای ضعف­های جدی می­باشد. سیستمهای توصیه ­گر مبتنی بر اعتماد، با بهره­گیری ازرابطه اعتماد میان کاربران، در جهت رفع نقاط ضعف بیان شده و خصوصا ارائه پیشنهادات مناسب به کاربران تازه وارد گامهای موثری برداشته­اند. در این
تحقیق سعی شده است تا از تلفیق و ترکیب روش­های موجود در زمینه پالایش گروهی و همچنین مدلهای مبتنی بر اعتماد و بررسی نقاط ضعف و قوت آنها مدلی نوین و توسعه یافته ارائه گردد که در آن نتایج از خطای کمتر و دقت بالاتری برخوردار بوده و با افزایش معیار پوشش بتوان به درصد بیشتری از کاربران پاسخ مناسب ارائه نمود. برای این منظور در میان انواع روشهای پالایش گروهی،
روش مبتنی بر آیتم و برای پیمایش شبکه اعتماد میان کاربران نیز از روش پیمایش تصادفی بهره گرفته شده است، همچنین با تفسیر و تعدیل نظرات کاربران واتخاذ شیوه­ای مناسب جهت محاسبه مقدار دقیق اعتماد میان کاربران و تغییر در نحوه پیمایش شبکه اعتماد میان ایشان سعی در بهبود و کاهش خطاهای نتایج گردیده است. در نهایت، جهت ارزیابی و برآورد مدل ترکیبی ارائه شده، نتایج و
آمارهای حاصل از اجرای مدل پیشنهادی بر روی مجموعه داده های Epinions و Movielens و مقایسه آنها با نتایج مدل پایه TrustWalkerبه عنوان یکی از بهترین مدلهای ترکیبی ارائه شده در زمینه سیستمهای توصیه گر مبتنی بر اعتماد، ارائه می­گردد.فصل اول: مقدمه ای بر انواع سیستم های توصیه گر1-1- مقدمه گسترش سریع و روز افزون اطلاعات ارائه شده بر روی شبکه جهانی اینترنت، کاربران را با مشکلات عدیده و قابل تاملی در خصوص انتخاب منابع و اطلاعات مورد نیازایشان مواجه نموده است و چه بسا که بدون راهنمایی و هدایت صحیح، کاربران در اخذ تصمیمات صحیح یا انتخاب کالا و خدمات مورد نیازشان دچار اشتباه شده که این امر تبعات عدیده­ای از جمله نارضایتی، سلب اطمینان کاربران و مشتریان سایتهای موجود بر روی اینترنت را به همراه خواهد داشت. از اینرو
وجود ابزار و سیستمهایی برای کمک به کاربران در انتخاب اطلاعات مناسب و مورد نیاز ایشان کاملا ضروری به نظر می­رسد. در سالهای اخیر برای برآورده سازی این نیازها سیستمهای توصیه­گرمطرح و توسعه یافته­اند و الگوریتمها ، مقالات و متون علمی بسیار متنوع و مختلفی در این زمینه مطرح گردیده است
 دراین میان، ایجاد و گسترش شبکه­های اجتماعی، شبکه­های اعتماد و وجود انواع روابط میان کاربران این شبکه­ها افق جدیدی را برروی محققان و توسعه دهندگان سیستمهای توصیه­گر گشوده است تا با بهره­گیری از علوم اجتماعی و علوم روانشناختی حاکم در این شبکه­ها و خصوصا وجود رابطه اعتماد میان کاربران بتوانند نسل جدیدی از سیستمهای توصیه­گر را تحت عنوان “سیستمهای توصیه­گر مبتنی بر اعتماد[1]“معرفی و عرضه نمایند. این سیستمها قادر هستند تا به درصد بیشتری از کاربران پاسخ مناسب را ارائه دهند و همچنین نتایج آنها از دقت بالاتری برخوردار می­باشد.باتوجه به کثرت کاربران و افراد عضو شبکه­های مبتنی بر اعتماد و شبکه­های اجتماعی، همچنین تنوع رفتار و ویژگی­های ایشان، تنها یک شیوه یا یک مدل قادر به پاسخگویی و ارائه پیشنهادات دقیق و قابل قبول نمی­باشد که این امر باعث ظهور سیستمهای توصیه­گر ترکیبی[2]گردیدهاست. در این سیستمها سعی شده است تا با ترکیب انواع مختلفی از سیستمهای توصیه­گر بتوان سیستمی تولید نمود که دارای مزایای حداکثری و معایب حداقلی باشد.دراین پروژه سعی شده است تا با تغییر، اصلاح، تلفیق و ترکیب تعدادی از روشها و الگوریتم­های مطرح و قابل قبول در سطح جهانی، مدلی ارائه گردد که نسبت به مدل­های پیشین دارای دقت و درصد پوشش بالاتری باشد و همچنین بتواند
نقایص مدلهای پیشین خصوصا در رابطه با ارائه پیشنهاد به کاربران تازه وارد[3] را تا حد قابل قبولی مرتفع نماید.1-2- سیستمهای توصیه ­گرتعاریف متفاوتی برای سیستم‌های توصیه‌گر ارائه شده‌است. عده­ای از محققان سیستمهای توصیه­گر را زیرمجموعه‌ای از سیستمهای تصمیم­یار[4] می‌دانند و آنها را سیستم‌های اطلاعاتی[5]تعریف می‌کنند که توانایی تحلیل رفتارهای گذشته و ارائه توصیه‌هایی برای مسائل جاری را دارا می­باشند[1]. به زبان ساده‌تر در سیستم‌های توصیه‌گر تلاش بر این است تا با حدس زدن شیوه تفکر کاربر به کمک اطلاعاتی که از نحوه رفتار وی یا کاربران مشابه و نظرات آنها داریم مناسب‌ترین و نزدیک‌ترین کالا یا خدمت به سلیقه او را شناسایی و پیشنهاد کنیم.
این سیستم‌ها در حقیقت سعی دارند فرایندی را که ما در زندگی روزمره خود بکار می‌بریم و طی آن تلاش می‌کنیم تا افرادی با سلایق نزدیک به خود را پیدا کرده و از آنها در مورد انتخاب‌هایمان نظر بخواهیم را شبیه سازی نمایند.به صورت کلی­تر سیستمهای توصیه­گر زیر مجموعه­ای از سیستمهای پالایش اطلاعات[6]هستند که وظیفه آنها جستجو برای بیان پیش­بینی امتیاز(درجه)[7] یا بیان سلایق و ترجیحات[8] یک کاربر در خصوص یک موضوع[9] ( مانند موسیقی، کتاب یا فیلم) یا یک عنصر اجتماعی مانند افراد و گروهها می­باشد[2]–[4].1-3- انواع سیستمهای توصیه ­گر از لحاظ عملکردیسیستمهای توصیه­گر به لحاظ نحوه ارائه نتایج و پیشنهادات به کاربران خود، به شیوه
های متفاوتی عمل می نمایند که در ذیل به پاره­ ای از آنها به صورت فهرست وار اشاره می­گردد:– پیشنهاد لیستی متشکل از n کالا یا محصول برتر (معمولا n برابر 10 است )– پیشنهادات فصلی و موردی مانند پیشنهاد یک هتل دارای تخفیف جهت تعطیلات– بیان درصد علاقه­مندی سایر کاربران به یک محصول خاص، به عنوان مثال: “80 درصد کاربران از خرید این محصول راضی بوده اند “– پیش بینی میزان امتیازی که یک کاربر به یک محصول خاص خواهد داددراین تحقیق سعی در ایجاد مدلی است که بتواند نظر و امتیاز تخصیص داده شده توسط یک کاربر خاص به یک محصول یا آیتم خاص را پیش­بینی نماید.1-4- مزایا و اهمیت یک سیستم توصیه ­گر کارآمدطبق آمار رسمی ارائه شده توسط سایت فروش کتاب ش[10]
، 35 درصد از فروش این سایت به واسطه وجود سیستم توصیه­گر و ارائه پیشنهادات مناسب به علاقه­مندان کتاب می باشد[5] همچنین سایت اجاره فیلم Netflix برای بهبود 10 درصدی دقت سیستم توصیه­گر خود موسوم به Cinematch[11]جایزه ای بالغ بر یک میلیون دلار برای محققان در نظر گرفته است. هر دو مثال فوق نشان دهنده اهمیت سیستمهای توصیه­گر و نقش آنها در تجارت می­باشد. در ذیل تعدادی از دلایل اهمیت وجود یک سیستم توصیه­گر مناسب و کارآمد در یک سایت تجارت الکترونیک برشمرده می­گردد:– راهنمایی کاربران و بازدید کنندگان در انتخاب کالا ، محصول یا خدمت مناسب– تسریع در زمان انتخاب کالای مورد نظر مشتری مانند انتخاب یک فیلم مناسب در میان میلیونها فیلم موجود در سایت– جمع­ آوری اطلاعات ارزشمند در خصوص سلایق و رفتار کاربران جهت برنامه­ ریزی­ های آتی– جذب مشتریان و بازدید کنندگانی که برای اولین بار است از سایت بازدید می­کنند– افزایش میزان رضایتمندی کاربران و طبیعتا افزایش سود سرمایه گذاران تجاری– ایجاد احساس اطمینان در مشتری با ارائه آمار نظرات سایر کاربران– بهبود معیارهای سنجش رتبه و درجه پورتال یا سایت– توجه به جنبه­ های روان­شناختی کاربران– افزایش آگاهی کاربر در زمینه مورد علاقه وی[1] Trust-Based Recommendation Systems(TBRS)[2] Hybrid Recommender System[3] Cold Start Users[4] Decision Support Systems(DSS)[5] Information Systems(IS)[6] Information Filtering Systems[7] Ratings[8] Preferences[9] Item[10]http://www.amazon.com[11] http://www.netflixprize.comفهرست مطالب:فصل اول : مقدمه­ای بر انواع سیستم توصیه­ گر1-1- مقدمه1-2- سیستمهای توصیه­ گر1-3- انواع سیستمهای توصیه ­گر از لحاظ عملکردی1-4- مزایا و اهمیت یک سیستم توصیه­ گر کارآمد1-5- معایب و مشکلات کلی سیستمهای توصیه ­گر1-6- انواع رویکردها و مدلهای موجود در زمینه پیاده­ سازی سیستمهای توصیه­ گر1-7- تشریح و بیان مسئله1-8- اهداف تحقیق1-9- سوالات و فرضیه­ های تحقیق1-10- مراحل تحقیق1-11- فصول پروژهفصل دوم : مروری بر ادبیات تحقیق و مبانی نظری تحقیق2-1- مقدمه 2-2- پالایش گروهی (Collaborative Filtering)2-2-1- پالایش گروهی مبتنی بر حافظه(Memory Based)2-2-1-1- روش پالایش گروهی مبتنی بر آیتم 2-2-1-2- امتیازدهی به صورت پیش فرض2-2-1-3- تشدید حالت(Case Amplification)2-2-2- پالایش گروهی مبتنی بر مدل(Model Based)2-3- پالایش محتوایی (Content Based Filtering) 2-4- تکنیکهای ترکیبی2-5- سیستمهای توصیه­ گر مبتنی بر رابطه اعتماد میان کاربران2-5-1- چگونگی کارکرد سیستم توصیه­ گر مبتنی بر اعتماد2-5-2- مزایا و معایب2-5-3- انتشار اعتماد و تجمیع اعتماد2-6- چالش ها و محدودیتهای موجود2-6-1- نقصان و کاستی اطلاعات2-6-2- مشکل کاربران تازه وارد2-6-3- کلاهبرداری و تقلب2-6-4- پیچیدگی های محاسباتی و زمانی2-7- معیارهای ارزیابی سیستمهای توصیه­ گر2-7-1- خطای جذر میانگین مربعات (RMSE)2-7-2- معیار درصد پوشش2-7-3- معیار دقت2-7-4- معیار F-Measureفصل سوم : مروری بر مطالعات و تحقیقات پیشین3-1- مقدمه3-2- مرور کارهای گذشته3-2-1- مدل MoleTrust3-2-2- مدل TidalTrust3-2-3- مدل دانه سیب3-2-4- مدل ارائه شده توسط Anderson3-2-5- مدل ارائه شده توسط O’Donovan3-2-6- مدل TrustWalker3-2-6-1- ساختار مدل TrustWalker3-2-6-2- تشابه آیتم ها3-2-6-3- خصوصیات ویژه مدل TrustWalker3-2-6-3-1- فراگیری و عمومیت مدل3-2-6-3-2- اطمینان به نتایج حاصل3-2-6-3-3- تفسیرپذیری و قابل توضیح بودن نتایج3-2-6-4- نمایش ماتریسی مدل TrustWalker3-2-6-5- نتیجه گیری در خصوص مدل TrustWalkerفصل چهارم : تشریح مدل ترکیبی پیشنهادی و چگونگی توسعه و بهبود مدل پایه4-1- مقدمه4-2- تشریح مدل کلی TrustWalker4-2-1- علائم نشانه گذاری و متغیرهای مدل4-2-2- روند یک پیمایش تصادفی در شبکه4-2-3- انتخاب تصادفی یک کاربر 4-2-4- انتخاب یک آیتم مشابه4-2-5- تشابه آیتم ها4-2-6- محاسبه احتمال ماندن در یک گره شبکه اعتماد 4-2-7- چگونگی انجام پیش­بینی امتیاز4-2-8- چگونگی محاسبه احتمال 4-2-9- چگونگی محاسبه عملی 4-2-10- شرط اتمام کلی مدل4-3- بهبود و توسعه مدل TrustWalker4-3-1- استفاده از فرمول jaccard جهت محاسبه تشابه آیتم ها4-3-2- حذف میانگین از فرمول پیرسون4-3-3- استفاده از تکنیک مبتنی بر آیتم خالص4-3-4- تعدیل و تفسیر نظرات کاربران4-3-5- محاسبه دقیق مقدار اعتماد یا امتیاز رابطه میان دو کاربر4-3-6- محاسبه ترکیبی امتیاز رابطه میان کاربرانفصل پنجم : تشریح روند انجام آزمایشات و نتایج حاصل5-1- مقدمه5-2- معرفی مجموعه داده epinions5-2-1- ویژگیهای مجموعه داده epinions5-2-2- آماده سازی و نحوه پالایش داده­ها5-2-3- ایجاد مجموعه داده نمونه5-3- مجموعه داده movielens5-3-1- ویژگیهای مجموعه داده movielens5-4- نیازمندیهای نرم افزاری5-5- نیازمندیهای سخت افزاری5-6- متدولوژی نرم افزاری5-7- پارامترهای پیش فرض انجام آزمایشات5-8- نتایج اجرای آزمایشات با مجموعه داده epinions و movielens5-8-1- بررسی تاثیر عمق پیمایش بر روی نتایج حاصل در خصوص کاربران تازه وارد5-8-2- بررسی تاثیر تاریخ اعلام نظرات توسط کاربران5-8-3- بررسی تاثیر تغییر فرمول محاسبه تشابه آیتمها5-8-4- بررسی تاثیر بکارگیری مکانیزم تفسیر و تعدیل نظرات کاربران5-8-5- بررسی تاثیر بکارگیری انواع روشهای ترکیبی برای انتخاب کاربران و پیمایش شبکه5-8-5-1- نحوه محاسبه امتیاز رابطه موجود میان کاربران5-8-5-2- بررسی تاثیر بکارگیری روشهای ترکیبی در عملکرد سیستم برای تمامی کاربران5-8-5-3- بررسی تاثیر بکارگیری روشهای ترکیبی در عملکرد سیستم برای کاربران تازه وارد 5-8-6-
بررسی تاثیر بکارگیری توام مکانیزم تفسیر امتیازات کاربران به همراه استفاده از روشهای ترکیبی انتخاب کاربران و پیمایش شبکه اعتماد5-9- انجام آزمایشات با مجموعه داده movielens5-9-1- نتایج حاصل از اجرای روشهای ترکیبی مورد استفاده در مدل توسعه یافتهفصل ششم : نتیجه گیری نهایی و کارهای آینده6-1- مقدمه6-2- عملکرد مدل توسعه یافته6-2-1- عملکرد مدل توسعه یافته در خصوص تمامی کاربران6-2-2- عملکرد مدل توسعه یافته در خصوص کاربران تازه وارد6-3- نتیجه گیری نهایی 6-3-1- تحلیل نهایی نتایج حاصل از انجام آزمایشات بر روی مجموعه داده epinions6-3-2- تحلیل نهایی نتایج حاصل از انجام آزمایشات بر روی مجموعه داده movielens6-4- پیشنهادات کارهای آیندهاختصاراتفهرست منابع 

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.