در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

| Γ(i) | .| Γ( )j |
Score(i, j) = 0;whereΓ =(i) ∅ Γ =∅or(j)
رابطه 3، یک رابطه بازگشتی است که در آن Γ(i) نشان دهنده مجموعه همسایگان کاربر I و c ثابتی در بازه (1 , 0) است که به عنوان ضریب تنزیل2 به کار مـی رود و معمـولاً مقـداری برابـر 8/0 دارد. اگر در رابطه بالا j = i باشد، رتبه شباهت مقـداری برابـر 1 خواهـد داشـت. خروجـیرابطه، مقداری در بازه [1,0] است (چن، 2013).
روش شناسی پژوهش
پژوهش حاضر از لحاظ هدف، کاربردی است. بر اساس مدل ارائه شده در ایـن مقالـه، بـرای هـرکاربر، میتوانیم کاربران معتمدی را پیدا کنیم که میزان اثرگذاری آنها بر امتیاز اختصاصیافتـه ازطرف آن کاربر بیشتر باشد؛ این کار به سازمان ها در درک بهتر ترجیحات کاربر مـد نظـر کمـکمی کند. این پژوهش راهکارهایی برای بهبود پیش بینی امتیاز کاربران ارائه می دهد که می تواند در سیستم های پیشنهاددهنده مؤثر باشد. روش و ابزار گردآوری اطلاعات در این پژوهش به واسـطهبررسی پیشینه پژوهش و استفاده از داده های ثانویه و مطالعه مقاله ها، کتاب ها و پایـان نامـه هـایداخلی و خارجی مرتبط، کتابخانه ای است. شایان ذکر است که برای پیاده سازی روش پیشنهادی از زبان پایتون استفاده شده است.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Semirank
Decay Factor
چارچوب پیشنهادی پژوهش
در وبسایتهای نقد و بررسی، محصولات مختلف در گروههـای متنـوعی ماننـد فـیلم، وسـایلالکترونیکی، لوازم خانگی و غیـره دسـته بنـد ی شـده انـد . در ایـن وب سـایت هـا، کـاربران دربـاره محصولات به نوشتن نظر یـا خوانـدن آنهـا مـی پردازنـد و بـا دادن امتیازهـایی در بـازه 1 تـا 5 محصولات را رتبهبندی می کنند. همچنین برخی از این وبسایتها امکـانی فـراهم آوردهانـد تـاکاربران میزان اعتماد خود را به کاربران دیگر بیان کنند. سازوکار اعتماد به این شکل اسـت کـهکاربران به افراد مورد اعتماد امتیاز 1 و به کاربرانی که اعتماد ندارند امتیاز 1- اختصاص میدهند.
این اطلاعات در پروفایل مربوط به کاربران موجود است (شرچان، نپال و پاریس، 2013).
البته وجود اعتمادی که به صورت 1 و 1- در میان کاربران بیان میشود، نمـی توانـد شـدت ومیزان اثرگذاری را به درستی نشان دهد، زیرا اعتماد کاربران به یکـدیگر متفـاوت اسـت. در واقـعمیتوان دسته بندی ای شامل اعتماد با اثرگذاری بیشتر و اثرگذاری کمتر بـرای رابطـه اعتمـاد درنظر گرفت. بر اساس این شدت اعتماد، ما برای هر کاربر میتوانیم کاربران معتمـدی پیـدا کنـیمکه میزان اثرگذاری آنها بر امتیاز اختصاصیافته از طرف آن کاربر بیشتر باشد و این در درک بهتر ترجیحات کاربر مد نظر به ما کمک میکند. در شکل 1 چارچوب لحاظ شده در این مقالـه نشـانداده شده است.

شکل 1. چارچوب پیشنهادی
روش تجزیه ماتریس یکی از روشهای رایج برای تخمـین امتیـاز کـاربران بـه محصـولاتاست. این تکنیک در روشهای مربوط به سیستمهای پیشنهاددهنده کـاربرد بسـیاری دارد. ایـنروش در مقالات آلمازرو و همکاران (2010)، عثمانلی (2010)، کـورن و بـل (2010) و وزالـیس،مـارکوس و مـارگریتیس (2010) بررسـی شـده اسـت. ایـن مـاتریس همـه امتیازهـایی را کـه مجموعه ای از کاربران به محصولات متفاوت دادهاند، شامل مـی شـود . در ایـن روش کـاربران و کالاها به فضای ویژگیهای پنهان در ابعاد دیگری تبدیل میشوند تا از این طریق امتیازهـای ی را که کاربران به محصولات میدهند، از طریق مشابهت میان کاربران و محصولات در این فضـا ی خاص برآورد شود. از این رو یکی از ورودی های اصلی مربوط به مدل ماتریس تجزیه امتیازهـای داده شده از طرف کاربران به محصولات مختلف است که از طریق دادههای مربـوط بـه فعالیـت کاربران در داخل رسانههای اجتماعی به دست می آید (ویدلی، 2013).
در این مقاله، در سناریوی نخست با توجه به روش ماتریس تجزیه استاندارد، امتیـاز کـاربرانبه محصولات برآورد می شود. در سناریوی دوم از طریق اضافه کردن معیار شـدت اعتمـاد، مـدلتجزیه ماتریس توسعه می یابد ؛ به گونه ای که اگر کاربران مورد اعتماد u، امتیاز بالایی به محصول i داده باشند، کاربر u نیز احتمالاً تمایل خواهد داشت که امتیاز بالایی به محصول i بدهد. بـرایاین منظور ابتدا از طریق فاکتورهای مبتنی بر شباهت، شدت اعتماد میان کاربران اندازهگیری شد (شدت اعتماد عددی بین 1 تا صفر است)؛ سپس میانگین شدت اعتماد کاربر u با کاربرانی که به آنها اعتماد کرده اند، به عنوان یک پارامتر اثرگذار، به مدل تجزیه ماتریس اضافه گردید. به همـیندلیل، علاوه بر دادههای امتیازدهی، از دادههای مربوط بـه شـبکه اعتمـاد کـاربران نیـز اسـتفادهمی شود. در روش تجزیه ماتریس، از طریق وزنی که به پارامترهای اثرگذار اختصاص یافته، تـأثیر این پارامترها بر پیشبینی دقیقتر امتیازها بررسی می شود. مقداری که به ازای آن کمترین مقـدارخطا محاسبه شده است، وزن پارامتر شدت اعتماد را تعیین می کنـد . پـس از تعیـین وزن پـارامترشدت اعتماد، به مقایسه نتایج به دست آمده از دو سناریو پرداخته میشود. نتایج بـه دسـت آمـده از طریق تخمین دقیقتر این امتیازها، گواهی بر تعیین درست اثرگـذاری پارامترهـای مختلـف و ازجمله اعتماد است که هدف اصلی این مقاله نیز محسوب می شود.
فرض می کنیم کاربر u به طور برابر از طرف همه کاربران تحت تأثیر نبوده و تعـدادی از ایـنکاربران بر تخمین رتبه کاربر مد نظر تأثیر بیشتری می گذارند. بـرای ایـن منظـور شـدت اعتمـادکاربر u با کاربرانی که به آنها اعتماد کرده ، محاسبه شده است. مجموعه کـاربران مـورد اعتمـادکاربر u با توجه به شدت اعتمادی که ایجاد میکنند به گروههای مختلف دسته بندی میشـوند ودر یک بررسی دقیق تر، هر بار گروه با شدت اعتماد مشخص را بررسی می کنـیم . از ایـن طریـقمیزان اثرگذاری کاربران با شدت اعتماد متفاوت بر امتیازی که کـاربر بـه محصـولات مـی دهـد،لحاظ شده است. در ادامه هر یک از بخش های چارچوب پیشنهادی تشریح می شود.
روش تجزیه ماتریس
در حالت کلی، سیستم امتیازدهی محصـولات، شـامل مجموعـهای از کـاربران و مجموعـهای از محصولات است. کاربران، ترجیحات خود را درباره محصولات مختلف از طریق امتیازهایی که به آنها میدهند، بیان میکنند. این امتیازها در یک محدوده مشـخص و در قالـب مـاتریس ×R بیان میشوند، در این ماتریس، |M = |u معرف تعداد کـاربران و |N = |i نشـان دهنـده تعـداد محصولات است. هر یک از عناصر r در ماتریس R بیان کننده رتبهای اسـت کـه کـاربرu بـهعنصر i داده است. همچنین در نمایش دیگـر ی، امتیازهـای مشـاهده شـده در قالـب مجمـوهO نمایش داده می شود که اعضای آن سه تایی (u, i, r ) هستند (آلمازرو و همکاران، 2010).
در روشهای تجزیه ماتریس در فضای جدید، ارتباط بین کاربران و کالاهـا مفهـوم جدیـدیپیدا میکند. برای مثال، هر کاربر u با یک بردار p و هر کـالایi بـا یـک بـردار q مشـخصمی شود. مقدار بردارهای جدید q، شامل توسعه کالاهای تجزیه شده و p شامل توسعه کاربران علاقه مند به کالاها می شود. همچنـین q Tp ارتبـاط بـین کـاربرu و کـالایi را کـه میـزانعلاقه مندی کاربر به کالا است، بیان میکند. امتیاز تقریبی کاربر u به کالای i را که مقدار واقعی r است، از فرمول زیر بهدست میآورند (کورن و بل، 2010).
7467628134

rui =q piu (4 رابطه
چالش اصلی در این روشها، محاسبه تبدیل هر کالا و کاربر به بردار جدیـد p و q اسـت . ماتریس ×R با استفاده از الگوریتمهایی شـبیهSVD بـه سـه مـاتریسP× ،S و ×Q تبدیل میشود که ماتریس S به تعداد k بعد کاهش پیدا میکند. محاسبه نهایی از نتیجـه ضـربدو ماتریس R = P × Q است و با توجه به آنها برای هر کاربر و کالا میتوان امتیاز را محاسبه کرد. برای امتیازدهی اختصاصی رابطه 5 برقرار است. رابطه 5) rui =k p quk ik ≈rui
1=Kکه در آن p و q عنصرهایی از P و Q هستند.
برای تخمین پارامترهای Pو Q، ابتدا دو ماتریس با مقادیر تصادفی مقداردهی اولیه میشوند، سپس مقدار خطای بین امتیازهای مشاهده شده و تخمـین زده شـده (e = r − r ) در یـک
روند بازگشتی کاهش مییابد. یکی از ماتریسها ثابت می ماند و ماتریس دیگر بـه روز مـی شـود .
.این مسئله بهینهسازی میتواند به صورت رابطه 6 نمایش داده شودmin 2 (u,i,r ) O (r − k 1 p quk ik )2 +β2 ( u k, p uk2 + i k, q ik2 ) (6 رابطه
در معادله بالا، بخش نخست، امتیاز مشاهده شده توسط کاربر و عبارت دوم با ضریب B یـکتعدیلکننده درجه دو1 است که از جهش یک باره مقادیر p و q جلوگیری میکند. همچنـانکه پیش از این اشاره شد، ایـن معادلـه پایـهای بـرای مسـئله تخمـین امتیازهاسـت (وزالـیس وهمکاران، 2010). فرایند توضیح داده شده، مربوط به روش تجزیه ماتریس حالت اسـتاندارد اسـتکه در بسیاری از سیستم های پیشنهاددهنده نیز استفاده میشود. حال با توجه به مدل پیشـنهادیخود، سایر پارامترهای اثرگذار را به معادله اضافه میکنیم.
محاسبه شدت اعتماد میان کاربران مبتنی بر فاکتور شباهت زمینهای
برای توسعه تجزیه ماتریس حالت استاندارد، اثرگذاری کاربران مورد اعتماد در وب سایتهای نقد و بررسی در نظر گرفته شده است. برای این منظور،