مدل پیشنهادی هوشمند فازی-FIRMACA با استفاده از الگوریتم خوشه بندی مورچه ای برای شبکه های اجتماعی
تعداد صفحات انگلیسی:15
تعداد صفحات فارسی: 24 تعداد کلمات فارسی:6998
چکیده
میزان خطا، پارامتری چالش برانگیز است که برای سیستم های پیشنهادگری که در آنها حرکت زیاد آیتم در میان خوشه های داده وجود دارد، باید بررسی شود. در برنامه های شبکه های اجتماعی، معمولاً تهیه پیشنهادهای مناسب کاربر در مواردی که تکنیک های خوشه بندی مورچه ای بهترین راه حل ها را برای مشکلات خوشه بندی ارائه می دهد، ضروری است. با این حال، الگوریتم های خوشه بندی مورچه ای موجود، در جستجوی محلی ناکارآمد هستند. همچنین آنها برای تقسیم بندی خوشه ای موثر به اصلاح قوانین فازی هوشمند نیاز دارند. بنابراین در این مقاله که در آن ترکیبی از مباحث مرتبط با دستیابی به نکات جدید و قوانین فازی برای خوشه بندی مورچه ای وجود دارد، یک مدل جدید با نام مدل پیشنهادی هوشمند فازی با استفاده از الگوریتم خوشه بندی مورچه ای (FIRMACA) ارائه شده است. تجزیه و تحلیل های تجربی، بهبود معیار دقت، یادآوری، سود تجمعی نرمال (NDCG) (5% ≤)) و کاهش قابل توجه (%1 ≤)) در میزان خطای طبقه بندی نادرست (MER) در مقایسه با الگوریتم های مبتنی بر ACO را نشان می دهد. خوشه های انتخاب شده بصورت کلی و محلی برای استخراج بهترین خوشه های تعریف شده جدید، بهینه شده اند.
کلمات کلیدی: خوشه بندی مورچه ای فازی. بهینه سازی جستجوی محلی فازی. تراکم فرومون. امتیاز پیشنهادی. ماتریس دنباله فرومون
FIRMACA-Fuzzy intelligent recommendation model using ant clustering algorithm for social networking
Abstract
Error rate is a challenging parameter to be met for most of the recommendation systems where there is a high probability of item movement among the data clusters. In social networking applications, it is often necessary to produce apt user recommendations where ant-based clustering techniques provide best optimal solutions to the clustering problems. However, the existing ant clustering algorithms lack in efficient local search procedures. Also, they are in need of intelligent fuzzy rule improvements for effective cluster partitioning. Therefore, a new model named Fuzzy Intelligent Recommendation Model using Ant Clustering Algorithm (FIRMACA) is proposed in this paper where a combination of biased exploration and fuzzy rules is used for ant clustering. Experimental analysis shows improvement in recommendation metrics—precision, recall, normalized discounted cumulative gain (NDCG) (<5%) and significant reduction (< 1%) in misclassification error rate (MER) compared to contemporary ACO-based algorithms. The selected clusters are optimized globally and locally to pull out the best possible redefined clusters.
Keywords Fuzzy ant clustering • Fuzzy local search optimization • Pheromone density • Recommendation score • Pheromone trail matrix
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
مدل پیشنهادی هوشمند فازی-FIRMACA با استفاده از الگوریتم خوشه بندی مورچه ای برای شبکه های اجتماعی
تعداد صفحات انگلیسی:15
تعداد صفحات فارسی: 24 تعداد کلمات فارسی:6998
چکیده
میزان خطا، پارامتری چالش برانگیز است که برای سیستم های پیشنهادگری که در آنها حرکت زیاد آیتم در میان خوشه های داده وجود دارد، باید بررسی شود. در برنامه های شبکه های اجتماعی، معمولاً تهیه پیشنهادهای مناسب کاربر در مواردی که تکنیک های خوشه بندی مورچه ای بهترین راه حل ها را برای مشکلات خوشه بندی ارائه می دهد، ضروری است. با این حال، الگوریتم های خوشه بندی مورچه ای موجود، در جستجوی محلی ناکارآمد هستند. همچنین آنها برای تقسیم بندی خوشه ای موثر به اصلاح قوانین فازی هوشمند نیاز دارند. بنابراین در این مقاله که در آن ترکیبی از مباحث مرتبط با دستیابی به نکات جدید و قوانین فازی برای خوشه بندی مورچه ای وجود دارد، یک مدل جدید با نام مدل پیشنهادی هوشمند فازی با استفاده از الگوریتم خوشه بندی مورچه ای (FIRMACA) ارائه شده است. تجزیه و تحلیل های تجربی، بهبود معیار دقت، یادآوری، سود تجمعی نرمال (NDCG) (5% ≤)) و کاهش قابل توجه (%1 ≤)) در میزان خطای طبقه بندی نادرست (MER) در مقایسه با الگوریتم های مبتنی بر ACO را نشان می دهد. خوشه های انتخاب شده بصورت کلی و محلی برای استخراج بهترین خوشه های تعریف شده جدید، بهینه شده اند.
کلمات کلیدی: خوشه بندی مورچه ای فازی. بهینه سازی جستجوی محلی فازی. تراکم فرومون. امتیاز پیشنهادی. ماتریس دنباله فرومون
FIRMACA-Fuzzy intelligent recommendation model using ant clustering algorithm for social networking
Abstract
Error rate is a challenging parameter to be met for most of the recommendation systems where there is a high probability of item movement among the data clusters. In social networking applications, it is often necessary to produce apt user recommendations where ant-based clustering techniques provide best optimal solutions to the clustering problems. However, the existing ant clustering algorithms lack in efficient local search procedures. Also, they are in need of intelligent fuzzy rule improvements for effective cluster partitioning. Therefore, a new model named Fuzzy Intelligent Recommendation Model using Ant Clustering Algorithm (FIRMACA) is proposed in this paper where a combination of biased exploration and fuzzy rules is used for ant clustering. Experimental analysis shows improvement in recommendation metrics—precision, recall, normalized discounted cumulative gain (NDCG) (<5%) and significant reduction (< 1%) in misclassification error rate (MER) compared to contemporary ACO-based algorithms. The selected clusters are optimized globally and locally to pull out the best possible redefined clusters.
Keywords Fuzzy ant clustering • Fuzzy local search optimization • Pheromone density • Recommendation score • Pheromone trail matrix
دانلود رایگان مقاله انگلیسی