دانلود مقاله یکپارچه سازی تشابه متنی با مدل توصیه خطی پراکنده
تعداد کلمات فایل انگلیسی:2443 کلمه 7صفحه pdf
تعداد صفحات فایل ترجمه:9 صفحه word فونت 12 Times New Roman
یکپارچه سازی تشابه متنی با مدل توصیه خطی پراکنده
چکیده
اکثر رویکردهای موجود در توصیه متنی مستقیما شامل ترکیب متن با الگوریتم های توصیه استاندارد می باشد (مثلا فیلترینگ مشترک، فاکتورسازی ماتریس). در این مقاله، ما اهمیت شباهت های متنی را برجسته می کنیم و سعی می کنیم آن را به توصیه گر متنی تبدیل کنیم. پیش فرض اساسی این است که فهرست توصیه ها در صورت داشتن شرایط مشابه، باید شبیه به هم باشند. ما شباهت متنی را با مدل توصیه خطی پراکنده برای ایجاد یک مدل یادگیری شباهت ادغام می کنیم. ارزیابی تجربی ما نشان می دهد که مدل پیشنهادی می تواند بهتر از چندین الگوریتم توصیه متنی پیشرفته برای وظایف توصیه top-N باشد.
کلمات کلیدی: متن، توصیه متنی، تشابه متن
. مقدمه و پس زمینه
سیستم های توصیه، بواسطه تناسب توصیه ها به ترجیحات شخصی کاربران، یک روش موثر برای کاهش بار اضافی اطلاعات در بسیاری از زمینه های کاربردی هستند.
Integrating Context Similarity with Sparse Linear Recommendation Model
Abstract. Context-aware recommender systems extend traditional rec-ommender systems by adapting their output to users’ specific contextual situations. Most of the existing approaches to context-aware recommendation involve directly incorporating context into standard recommendation algorithms (e.g., collaborative filtering, matrix factorization). In this paper, we highlight the importance of context similarity and make the attempt to incorporate it into context-aware recommender. The underlying assumption behind is that the recommendation lists should be similar if their contextual situations are similar. We integrate context similarity with sparse linear recommendation model to build a similarity-learning model. Our experimental evaluation demonstrates that the proposed model is able to outperform several state-of-the-art context-aware recommendation algorithms for the top-N recommendation task.
Keywords: Context • Context-aware recommendation • Context similarity
Introduction and Background
Recommender systems are an effective way to alleviate information overload in many application areas by tailoring recommendations to users’ personal preferences
کد:10778
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله یکپارچه سازی تشابه متنی با مدل توصیه خطی پراکنده
تعداد کلمات فایل انگلیسی:2443 کلمه 7صفحه pdf
تعداد صفحات فایل ترجمه:9 صفحه word فونت 12 Times New Roman
یکپارچه سازی تشابه متنی با مدل توصیه خطی پراکنده
چکیده
اکثر رویکردهای موجود در توصیه متنی مستقیما شامل ترکیب متن با الگوریتم های توصیه استاندارد می باشد (مثلا فیلترینگ مشترک، فاکتورسازی ماتریس). در این مقاله، ما اهمیت شباهت های متنی را برجسته می کنیم و سعی می کنیم آن را به توصیه گر متنی تبدیل کنیم. پیش فرض اساسی این است که فهرست توصیه ها در صورت داشتن شرایط مشابه، باید شبیه به هم باشند. ما شباهت متنی را با مدل توصیه خطی پراکنده برای ایجاد یک مدل یادگیری شباهت ادغام می کنیم. ارزیابی تجربی ما نشان می دهد که مدل پیشنهادی می تواند بهتر از چندین الگوریتم توصیه متنی پیشرفته برای وظایف توصیه top-N باشد.
کلمات کلیدی: متن، توصیه متنی، تشابه متن
. مقدمه و پس زمینه
سیستم های توصیه، بواسطه تناسب توصیه ها به ترجیحات شخصی کاربران، یک روش موثر برای کاهش بار اضافی اطلاعات در بسیاری از زمینه های کاربردی هستند.
Integrating Context Similarity with Sparse Linear Recommendation Model
Abstract. Context-aware recommender systems extend traditional rec-ommender systems by adapting their output to users’ specific contextual situations. Most of the existing approaches to context-aware recommendation involve directly incorporating context into standard recommendation algorithms (e.g., collaborative filtering, matrix factorization). In this paper, we highlight the importance of context similarity and make the attempt to incorporate it into context-aware recommender. The underlying assumption behind is that the recommendation lists should be similar if their contextual situations are similar. We integrate context similarity with sparse linear recommendation model to build a similarity-learning model. Our experimental evaluation demonstrates that the proposed model is able to outperform several state-of-the-art context-aware recommendation algorithms for the top-N recommendation task.
Keywords: Context • Context-aware recommendation • Context similarity
Introduction and Background
Recommender systems are an effective way to alleviate information overload in many application areas by tailoring recommendations to users’ personal preferences
کد:10778
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com