دانلود مقاله ISI انگلیسی شماره 137655
ترجمه فارسی عنوان مقاله

مدل سازی ترجیحات شرطی تحت تأثیر اجتماعی بر ارزش های مشخصه در سیستم های توصیه شده بر اساس فیلتر کردن مشارکت فاکتور

عنوان انگلیسی
Modelling socially-influenced conditional preferences over feature values in recommender systems based on factorised collaborative filtering
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
137655 2017 37 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 18202 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 26 روز بعد از پرداخت 218,424 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 13 روز بعد از پرداخت 436,848 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 87, 30 November 2017, Pages 98-117

ترجمه کلمات کلیدی
سیستم توصیهگر، مدل های عامل باقیمانده، تقسیم ماتریس احتمالی، تنظیمات ارزش ویژگی، هموفیلی، نفوذ اجتماعی،
کلمات کلیدی انگلیسی
Recommender systems; Latent factor models; Probabilistic matrix factorisation; Feature value preferences; Homophily; Social influence;
ترجمه چکیده
سیستم های توصیه شده به دلیل مزایای تجاری بزرگ خود در بازارهای الکترونیکی توجه زیادی را به خود جلب کرده اند. کیفیت توصیه ها بستگی به کیفیت مدل ترجیحی که توسط سیستم پیشنهاد دهنده استخراج شده است. به تازگی، مدل های فاکتور ناپیوسته مبتنی بر فاکتوریزه سازی ماتریس احتمالاتی، به دلیل دقت فوق العاده آنها نسبت به سیستم های پیشنهاد دهنده سنتی و کارایی بالا آنها، توجه زیادی را به خود جلب کرده اند. اگرچه مدل های عامل نهفته بسیار کارآمد هستند، اما اغلب تنظیمات کاربر بر روی ویژگی های مختلف مورد خاص را نادیده می گیرند. به عنوان مثال، آنها فرض می کنند که قیمت های پایین تر از همه کاربران ترجیح می دهند. با این حال، کاربران ممکن است معتقد باشند که قیمت بالا با کیفیت بهتر یا اعتبار بیشتری همراه است. علاوه بر این، با توجه به هموفیلی و نفوذ اجتماعی در علوم اجتماعی، کاربران مشابه در یک شبکه اجتماعی تمایل دارند طعم مشابه را از طریق تعاملات اجتماعی به دست آورند. بنابراین، تمام مولفه های ترجیحات انسانی، از جمله اختلاف ارزش ها، به نفوذ اجتماعی بستگی دارد. علاوه بر این، اکثر مدلهای غلط ناپیوسته، وابستگی های احتمالی را که به طور طبیعی بین ویژگی های مورد نظر وجود دارد، نادیده می گیرند. برای مقابله با این مشکلات، در این مقاله، دو مدل جدید فاکتورهای غیرواقعی ارائه می شود که حاوی اختلاف های ارزشمندی از ویژگی های اجتماعی و اختلافات ارزش افزوده ویژگی های مشارکت اجتماعی است. ما دقت روش های پیشنهادی را در سه مجموعه داده های شناخته شده معیار تست می کنیم. آزمایش های گسترده نشان می دهد که روش پیشنهادی به طور قابل توجهی بالاتر از سایر مقیاس های سنتی، فاکتور غیرواقعی و مدل های توصیه شده اجتماعی به دست می آید.
ترجمه دقیق تری نیاز دارید؟ سفارش دهید
پیش نمایش مقاله
پیش نمایش مقاله مدل سازی ترجیحات شرطی تحت تأثیر اجتماعی بر ارزش های مشخصه در سیستم های توصیه شده بر اساس فیلتر کردن مشارکت فاکتور

چکیده انگلیسی

Recommender systems have gained much attention due to their great commercial benefits in electronic markets. The quality of the recommendations depends on the quality of the preference model extracted by the recommender system. Recently, latent factor models based on probabilistic matrix factorisation have gained much attention, owing to their superior accuracy over traditional recommender systems and their great efficiency. Although latent factor models are very efficient, they mostly ignore the user preferences over different item feature values. For example, they assume that lower prices are preferred by all users. However, there may be users who believe that a high price comes with better quality or more prestige. Furthermore, according to homophily and social influence in social sciences, similar users in a social network tend to acquire similar tastes through social interactions. Therefore, all components of human preferences including feature value discrepancies are subject to social influence. Moreover, most of the latent factor models ignore the possible dependencies that naturally exist between item features. To tackle these problems, in this paper we propose two novel latent factor models incorporating socially-influenced feature value discrepancies, and socially-influenced conditional feature value discrepancies. We test the accuracy of the proposed methods on three well-known benchmark datasets. The extensive experiments show that the proposed method achieves significantly higher accuracies than all state of the art traditional, latent factor, and social recommendation models.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 18202 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 26 روز بعد از پرداخت 218,424 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 13 روز بعد از پرداخت 436,848 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.