شماره ركورد كنفرانس :
5518
عنوان مقاله :
رويكرد تركيبي خوشه بندي krillkmeansبراي جداسازي بهتر كاربران در سيستم‌‌هاي توصيه گر پالايش مشاركتي
پديدآورندگان :
رشيدي رحيم دانشگاه آزاد اسلامي، بوكان، , اشكوتي فاروق دانشگاه آزاد اسلامي، بوكان،
تعداد صفحه :
17
كليدواژه :
سيستم‌‌هاي توصيه‌‌گر , پالايش مشاركتي , جداسازي كاربران , MkMeans++ , KrillMkMeans++
سال انتشار :
1401
عنوان كنفرانس :
اولين كنفرانس بين المللي و ششمين كنفرانس ملي كامپيوتر، فناوري اطلاعات و كاربردهاي هوش مصنوعي
زبان مدرك :
فارسي
چكيده فارسي :
موضوع جداسازي كاربران در پايگاه داده سلايق، از اهميت خاصي برخوردار است زيرا وجود كاربران خاكستري نرخ خطاي پيشنهاد را براي كاربران سفيد افزايش مي‌‌دهد. خوشه‌‌بندي كامينز يكي از تكنيك‌‌هاي خوشه بندي و جداسازي كاربران در سيستم هاي پالايش مشاركتي است كه رويكرد مشخصي براي انتخاب مراكز اوليه خوشه‌‌ها ندارد و ممكن است در نقاط بهينه محلي گرفتار شود. استخراج ويژگي‌‌هاي مختلف ماتريس سلايق براي انتخاب مراكز اوليه خوشه‌‌ها نسخه‌‌هاي جديدي از الگوريتم كامينز را به نام‌‌هاي kMeans++ ،PkMeans++ و MkMeans++ معرفي كرده است. در اين مقاله به منظور تعيين مراكز بهينه خوشه ها و پرهيز از بهينه هاي محلي نسخه هاي مختلف كامينز با الگوريتم‌‌ Krill تركيب شده و رويكرد تركيبي جديدي به نام‌‌ KrillkMeans معرفي مي‌‌شود. در رويكرد تركيبي پيشنهادي KrillkMeans جمعيت اوليه الگوريتم فراابتكاري كريل با راه‌‌حل‌‌هاي توليد شده توسط الگوريتم هاي توسعه يافته كامينز مانند kMeans++، PkMeans++ و MkMeans++ مقداردهي مي گردد. نتايج ارائه شده براي دو ديتاست MovieLens و FilmTrust نشان مي‌دهد كه تعيين مراكز بهينه خوشه ها با الگوريتم تركيبي KrillkMeans كيفيت خوشه ها و جداسازي كاربران را بهبود داده و دقت پيشنهادات را براي كاربران سفيد افزايش مي‌‌دهد.
كشور :
ايران
لينک به اين مدرک :
بازگشت