بررسي رتبه بندي اطلاعات بازيابي شده از سيستم هاي توصيه گر در اينترنت اشيا با استفاده از يك مدل عميق

Investigating the ranking of information retrieved from recommender systems in the Internet of Things Using a deep model

سيستم هاي توصيه گر نقش مهمي در ارائه خدمات بهينه و مرتبط به كاربران دارند. استفاده از الگوريتم هاي يادگيري ماشين براي رتبه بندي خدمات يا همان يادگيري رتبه بندي است،كه به طور گسترده اي استفاده شده است. اشكال اصلي كه در اكثر اين روش ها وجود دارد، عدم استخراج ويژگي هاي سراسري از پرس و جوهاي مختلف است. در اين مقاله به منظور پوشش مشكلات روش هاي قبلي، دو روش كاربردي براي رتبه بندي خدمات در يك سيستم توصيه گر بر اساس الگوريتم هاي يادگيري ماشين پيشنهاد شده است. در روش اول، يك روش محاسباتي مبتني بر يك ماشين يادگيري افراطي (ELM) به منظور يادگيري ويژگي‌هاي عميق جهاني و محلي از پرس‌و‌جوهاي مختلف است. در اين روش براي هر پرس و جو دو مجموعه از ويژگي هاي محلي و سراسري به طور جداگانه ياد مي شود و در پايان براي هر پرس و جو امتيازي براي رتبه بندي محاسبه مي شود. در نهايت، مجدداً يك رتبه بندي بين خدمات بر اساس امتياز محاسبه شده انجام مي شود. در روش دوم الگوريتمي براي رتبه بندي خدمات در محيط اينترنت اشيا ارائه شده است. در اين روش يك سيستم توصيه گر مكانيزه براي انتخاب خدمات مناسب براي كاربران بر اساس معيارها و زيرمعيارهاي آنها ارائه مي شود. در ابتدا يك معماري چند لايه براي انتخاب معيارها و زيرمعيارهاي خدمات با استفاده از فرآيند تحليل سلسله مراتبي معرفي شده است. سپس براي يافتن وزن هر معياري كه اهميت آن را نشان مي دهد، يك الگوريتم بهينه سازي مبتني بر برنامه نويسي درجه دوم متوالي معرفي مي شود. با استفاده از اين دو مرحله، رتبه معقولي براي خدمات مختلف ارائه مي شود.