دانلود مقاله اولویت یابی کاربر در مکان های جدید در شبکه های اجتماعی مکان محور: یک روش مدل ابری چند بعدی
تعداد کلمات فایل انگلیسی:7227کلمه13صفحه pdf
تعداد صفحات فایل ترجمه:25صفحه word فونت14 Arial
چکیده
در سال های اخیر، استفاده گسترده از شبکه های اجتماعی مکان محور منجر به حجم عظیمی از داده ها در زمینه های توصیه مکانی شده ست. اگرچه الگوریتم فیلترینگ مشارکتی به طور گسترده برای توصیه مکانی استفاده می شود، اما این روش دارای پراکندگی داده و پیچیدگی زمانی بالاست. در واقع در این روش، شباهت بین کاربران توسط مکان های متداول محاسبه می شود. در این مقاله، ما مدل ابری دو بعدی را به مدل ابری چند بعدی گسترش می دهیم و از این مدل برای اندازه گیری شباهت اولویت های کاربران و رفتار آنها استفاده می کنیم. این روش نه تنها ویژگی های چندگانه کاربران را در نظر می گیرد (برای مثال تنوع اولویت های کاربر)، بلکه پراکندگی پیشنهادهای مکانی براسا الگوریتم CF را تا حدودی کاهش می دهد. در مرحله بعد، ما شباهت اولویت های کاربران، گره های اجتماعی و رفتارهای کاربران را در الگوریتم CF ادغام می کنیم. در این روش، فرض می شود که اولویت های کاربران در مکان های جدید[1] به طور دقیق تر مشخص می شود. به علاوه، به منظور ارتقای بهره وری الگوریتم MUPNL، ما این روش را با فریم ورک Mapreduce مقایسه می کنیم. نتایج تجربی در پایگاه داده تخصصی Yelp نشان دهنده ی عملکرد خوب الگوریتم MUPNL توزیع یافته در دقت و کاربری می شود.
کلمات کلیدی: اولویت های کاربر، رفتار کاربر، مدل ابری چند بعدی، گره های اجتماعی، فیلترینگ مشارکتی
Mining user preferences of new locations on location-based social networks: a multidimensional cloud model approach
Abstract In recent years, the prevalent of location-based social networks contributes massive data for location rec- ommendation. Although collaborative filtering (CF) algo- rithm has been widely employed for location recommendation, it suffers the data sparsity and the high time complexity as it estimates the similarity of users by the common locations. In this paper, we extend the two- dimensional cloud model to the multidimensional cloud model and utilize it to the measure the similarity of user preferences and user behaviors. This method not only considers the multiple attributes of users (e.g., the diversity of user preferences), but also alleviates the sparsity of location recommendation based on CF algorithm to some extent. Then we integrate the similarity of user preferences, social ties and user behaviors into CF algorithm, which is expected to mine user preferences of new locations (MUPNL) more precisely. Furthermore, in order to improve the efficiency of the MUPNL algorithm, we par- allelize it with Mapreduce framework. Experimental results on Yelp academic dataset demonstrate the good perfor- mance of the distributed MUPNL algorithm in accuracy and efficiency
کد:12640
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله اولویت یابی کاربر در مکان های جدید در شبکه های اجتماعی مکان محور: یک روش مدل ابری چند بعدی
تعداد کلمات فایل انگلیسی:7227کلمه13صفحه pdf
تعداد صفحات فایل ترجمه:25صفحه word فونت14 Arial
چکیده
در سال های اخیر، استفاده گسترده از شبکه های اجتماعی مکان محور منجر به حجم عظیمی از داده ها در زمینه های توصیه مکانی شده ست. اگرچه الگوریتم فیلترینگ مشارکتی به طور گسترده برای توصیه مکانی استفاده می شود، اما این روش دارای پراکندگی داده و پیچیدگی زمانی بالاست. در واقع در این روش، شباهت بین کاربران توسط مکان های متداول محاسبه می شود. در این مقاله، ما مدل ابری دو بعدی را به مدل ابری چند بعدی گسترش می دهیم و از این مدل برای اندازه گیری شباهت اولویت های کاربران و رفتار آنها استفاده می کنیم. این روش نه تنها ویژگی های چندگانه کاربران را در نظر می گیرد (برای مثال تنوع اولویت های کاربر)، بلکه پراکندگی پیشنهادهای مکانی براسا الگوریتم CF را تا حدودی کاهش می دهد. در مرحله بعد، ما شباهت اولویت های کاربران، گره های اجتماعی و رفتارهای کاربران را در الگوریتم CF ادغام می کنیم. در این روش، فرض می شود که اولویت های کاربران در مکان های جدید[1] به طور دقیق تر مشخص می شود. به علاوه، به منظور ارتقای بهره وری الگوریتم MUPNL، ما این روش را با فریم ورک Mapreduce مقایسه می کنیم. نتایج تجربی در پایگاه داده تخصصی Yelp نشان دهنده ی عملکرد خوب الگوریتم MUPNL توزیع یافته در دقت و کاربری می شود.
کلمات کلیدی: اولویت های کاربر، رفتار کاربر، مدل ابری چند بعدی، گره های اجتماعی، فیلترینگ مشارکتی
Mining user preferences of new locations on location-based social networks: a multidimensional cloud model approach
Abstract In recent years, the prevalent of location-based social networks contributes massive data for location rec- ommendation. Although collaborative filtering (CF) algo- rithm has been widely employed for location recommendation, it suffers the data sparsity and the high time complexity as it estimates the similarity of users by the common locations. In this paper, we extend the two- dimensional cloud model to the multidimensional cloud model and utilize it to the measure the similarity of user preferences and user behaviors. This method not only considers the multiple attributes of users (e.g., the diversity of user preferences), but also alleviates the sparsity of location recommendation based on CF algorithm to some extent. Then we integrate the similarity of user preferences, social ties and user behaviors into CF algorithm, which is expected to mine user preferences of new locations (MUPNL) more precisely. Furthermore, in order to improve the efficiency of the MUPNL algorithm, we par- allelize it with Mapreduce framework. Experimental results on Yelp academic dataset demonstrate the good perfor- mance of the distributed MUPNL algorithm in accuracy and efficiency
کد:12640
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com