دانلود مقاله ISI انگلیسی شماره 9755 + ترجمه فارسی
عنوان فارسی مقاله

سیستم توصیه گر مبتنی بر گردش کار

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
9755 2009 9 صفحه PDF 12 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Recommender system based on workflow
منبع

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

Journal : Decision Support Systems, 48 (2009) 237–245

فهرست مطالب ترجمه فارسی
چکیده
1. مقدمه
3. محیط مشارکتی گردش کار محور
4. چهارچوب سیستم توصیه گر مبتنی بر گردش کار
5. فیلترینگ مشارکتی مبتنی بر گردش کار
5.1. فیلترینگ مشارکتی مبتنی بر همان وظیفه یا نقش
5.2. گردش کار چند لایه و انواع رابطه
6. کنترل حجم توصیه بر اساس گردش کار
6.1. کنترل حجم توسط آستانه
6.2. میزان مشغولیت برای اندازه گیری درجه مشغول بودن اعضاء
6.3. نقشه درجه مشغولیت تا آستانه
7. ارزیابیهای آزمایشی
7.1. طراحی آزمایش
7.2. نتایج و تحلیل
7.2.1. آزمایش 1: حالتهای مختلف CF، با تغییر T (برای مشکلات فوق (1) و (2))
7.2.2 آزمایش 2: تنظیمات RSC های مختلف، با تغییر T
7.2.3. آزمایش 3: تیمهای مشارکتی متفاوت، با تغییر T
کلمات کلیدی
- fl - fiسیستم توصیه گر - گردش کار - فیلتر کردن مشارکتی - مدیریت دانش
ترجمه چکیده
این مقاله یک مدل سیستم توصیه گر مبتنی بر گردش کار در فراهم کردن اطلاعات مناسب برای اعضای مناسب در مفاهیم تیم مشارکتی بجای سناریوهای روزانه زندگی پیشنهاد می کند، برای مثال، پیشنهاد محصولات، اخبار، و غیره در چهارچوب مفاهیم تیم مشارکتی، اطلاعات بیشتر می توانند توسط سیستمهای توصیه گر بجای مفاهیم زندگی روزمره مورد استفاده قرار بگیرند. گردش کار در تیم مشارکتی شامل اطلاعاتی درباره روابط بین اعضاء، وظایف و نقشها می باشد، که می تواند با فیلترینگ مشارکتی ترکیب شود تا تقاضای اعضاء برای اطلاعات بدست آید. علاوه بر این، اطلاعات برنامه ریزی کار موجود در گردش کار می تواند همچنین برای تشخیص حجم مناسب اطلاعاتی که باید به هر عضو توصیه شود مورد استفاده قرار گیرد. در این مقاله، ما به مکانیسم سیستم توصیه گر مبتنی بر گردش کار می پردازیم و چندین آزمایش راجع به چندین تیم مشارکتی در دنیای واقعی برای اعتبار بخشیدن به مفید و موثر بودن شیوه های ارائه شده ، انجام می دهیم.
ترجمه مقدمه
این مطالعه مربوط به سیستمهای توصیه گر اطلاعاتی برای مفاهیم تیم مشارکتی بجای شرایط عمومی در زندگی روزمره است، برای مثال، توصیه محصولات، اخبار و فیلم به مشتریان. در بین یک تیم مشارکتی، اعضاء معمولاً از دیسیپلینهای مختلفی برخوردارند، هر کدام دارای سهم و تخصص خاصی از رشته های مربوط خودشان هستند. بنابراین درخواست آنها برای اطلاعات نیز از یکدیگر متفاوت است. سیستم توصیه گر، بستری برای ارائه اطلاعات درست در مفهوم درست به شخص مناسب به میزان مناسب فراهم می کند. این مقاله یک سیستم توصیه گر مبتنی بر گردش کار توصیه می کند که گرایش به محیط تیم مشارکتی دارد. در این زمینه، اطلاعات بیشتری می تواند توسط سیستمهای توصیه گر در مقایسه با شرایط عادی زندگی روزمره استفاده شود. گردش کار یک نوع از پروسه های مشارکتی است و تقریباً پشت تمام تیمهای مشارکتی وجود دارد. گردش کار در محیط تیم مشارکتی شامل اطلاعات منبع اعضاء-نقشها-وظایف است که توضیح می دهد کدام عضو کدام نقش را بازی می کند یا کدام وظیفه را اجرا می کند. این اطلاعات منبع می تواند با فیلترینگ مشارکتی ترکیب شود تا درخواستهای اعضاء برای اطلاعات را بدست آورد. این سیستم از توصیه منابع اطلاعاتی در حوزه های مناسب و به اعضاء مناسب در تیم مشارکتی اطمینان حاصل می کند. علاوه بر این، حجم آن منابع اطلاعاتی توصیه شده باید همچنین برای هر عضو مناسب باشد. در غیر این صورت، اطلاعات خیلی زیاد به برخی اعضای مشغول توصیه می شود که باعث بار زیادی و وقفه اطلاعات برای آنها می شود. در مطالعات ما، اطلاعات برنامه ریزی کاری موجود در گردش کار برای شناسایی حجم مناسب اطلاعات توصیه شده برای هر عضو مورد استفاده قرار می گیرد. این مقاله به بررسی مکانیسم سیستم توصیه گر مبتنی بر گردش کار می پردازد و چندین آزمایش راجع به تیمهای مشارکتی در دنیای واقعی اجرا می کند تا مفید و موثر بودن شیوه های ارائه شده را تائید کند. ادامه این مقاله به ترتیب زیر مرتب شده است. برخی کارهای مربوطه انجام شده توسط دیگر محققین به طور خلاصه در قسمت بعد معرفی می شوند. در بخش 3، ما پیشینه این برنامه را معرفی می کنیم: محیط مشارکتی، که پایه ای برای شیوه پیشنهاد شده می باشد. سپس بخش 4 چهارچوب کلی سیستم توصیه گر مبتنی بر گردش کار را پیگیری می کند و دو مشکل فنی کلیدی را تحلیل می کند. بخش 5 و 6 آن مشکلات را به ترتیب با جزئیات بررسی می کند: فیلترینگ مشارکتی مبتنی بر گردش کار، و کنترل حجم توصیه با استفاده از اطلاعات برنامه ریزی در گردش کار. برای بررسی عملکردها، چندین آزمایش اجرا می شوند تا مدل ارائه شده و شیوه های موجود در بخش 7 را معتبر کنند. حرفهای پایانی و خلاصه نیز در بخش آخر ارائه شده اند.
پیش نمایش مقاله
پیش نمایش مقاله سیستم توصیه گر مبتنی بر گردش کار

چکیده انگلیسی

This paper proposes a workflow-based recommender system model on supplying proper knowledge to proper members in collaborative team contexts rather than daily life scenarios, e.g., recommending commodities, films, news, etc. Within collaborative team contexts, more information could be utilized by recommender systems than ordinary daily life contexts. The workflow in collaborative team contains information about relationships among members, roles and tasks, which could be combined with collaborative filtering to obtain members' demands for knowledge. In addition, the work schedule information contained in the workflow could also be employed to determine the proper volume of knowledge that should be recommended to each member. In this paper, we investigate the mechanism of the workflow-based recommender system, and conduct a series of experiments referring to several realworld collaborative teams to validate the effectiveness and efficiency of the proposed methods.

مقدمه انگلیسی

This study concerns knowledge recommender systems for collaborative team contexts, rather than general situations in daily life, e.g., recommending commodities, news, films to customers. Among a collaborative team, members usually come from diverse disciplines, each with particular expertise and contribution from their relevant areas. Thus, their demands for knowledge are also different from each other. Recommender system provides a platform to deliver right knowledge in the right context to the right person in the right volume [27,34,36]. This paper proposes a workflow-based recommender system model, which is oriented to the collaborative team environment. Within this context, more information could be utilized by recommender systems, comparing to ordinary daily life situations. Work- flow is one type of collaborative processes and it virtually exists behind every collaborative team [37,38]. The workflow in the collaborative team environment contains members-roles-tasks reference information that describes which member plays which roles or fulfills which tasks. This reference information could be combined with collaborative filtering to obtain members' demands for knowledge. It ensures that knowledge resources in proper domains will be recommended to proper members in collaborative team. Moreover, the volume of those recommended knowledge resources should also be proper for each member. Otherwise, too much knowledge is recommended to some busy members, which will cause informationoverload and interruption to them. In our study, the work schedule information contained in the workflow is utilized to determine the proper volume of recommended knowledge for each member. This paper investigates the mechanism of the workflow-based recommender system, and conducts a series of experiments referring to several real-world collaborative teams so as to validate the effectiveness and efficiency of the proposed methods. The rest of this paper is organized as follows. Some related works done by other scholars are briefly introduced in the next section. In Section 3, we introduce the application background: collaborative environment, which is the basis for our proposed method. Then, Section 4 addresses the general framework of the workflow-based recommender system, and analyzes two key technical issues. Sections 5 and 6 investigate those issues in detail respectively: workflow-based collaborative filtering, and recommendation volume control by using the schedule information in workflow. For performances evaluation, several experiments are conducted to validate the proposed model and methods in Section 7. Closing remark and summary are then outlined in the last section.

نتیجه گیری انگلیسی

This paper introduces a workflow-based recommender system model for collaborative team environment. Two workflow-centric approaches for mining team members' knowledge demands and determining proper recommendation volume are proposed. This study paves the way for implementing a platform which would ensure that a proper volume of proper knowledge resources could be recommended to the proper members among the collaborative team. However, there exist some limitations for the current model and methods, which need further studies in future: (1) The proposed methods consider expert–novice influence on members' demands for knowledge. However, the current study has not mentioned how ‘expert’ a new member is viewed. In Section 4.3, the manner in which hl is used has not taken into account how much expertise an individual brings into the collaborative team. This is actually a new user cold starting problem. In future studies, the agency theory could be applied to how knowledge workers address their knowledge needs. In this way, it may improve on or replace the current methods of using hl. (2) In experiments, we are not able to use all possible combinations of parameters. Currently, those settings are determined according to experience. As to different collaborative teams, the ‘optimal’ settings are actually different from each other. There is no universal setting that could adapt to all contexts with the best performance. The sensitivity analysis of those parameter settings for different application environments should be conducted in future studies.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.