دانلود مقاله به سوی سیستم های توصیه ای مبتنی بر زمینه پنهان
تعداد کلمات فایل انگلیسی:11801 کلمه 14 صفحه pdf
تعداد صفحات فایل ترجمه:34 صفحه word فونت 14 B Nazanin
به سوی سیستم های توصیه ای مبتنی بر زمینه پنهان
موشه انگر، آریل بار، براکا شاپیرا، لیور روکاچ
چکیده
ظهور و نفوذ دستگاه های هوشمند تلفن همراه، توسعه سیستم های متفاوت اطلاعاتی است که از سنسورها برای جمع آوری داده های موجود در مورد کاربران برای بهبود خدمات مختلف کاربر استفاده می کنند. به تازگی، استفاده از سیستم های پیشنهاد دهنده متداول (CARS) با هدف توصیه به اقلام به کاربران گسترش یافته است، به ویژه آنهایی که زمینه کاربر را بررسی می کنند. اضافه کردن زمینه به سیستم های توصیه شده چالش برانگیز است، زیرا اضافه کردن زمینه های مختلف محیطی به فرآیند توصیه باعث گسترش ابعاد آن می شود و به این ترتیب، سرعت را افزایش می دهد. بنابراین CARS های موجود به یک مجموعه کوچک از زمینه های صریح از پیش تعریف شده تمایل دارند که نیازی به توصیف زمینه کاربر و یا بازتاب مجموعه ای بهینه از ویژگی های فرایند توصیه ای ندارند. ما یک رویکرد جدید را در زمینه ارائه ویژگی های زیست محیطی به عنوان محدوده های نامعتبر بدون نظارت کمتری ارائه می کنیم. ما داده ها را از یک مجموعه غنی از سنسورهای تلفن همراه استخراج می کنیم تا زمینه های ناشناخته کاربر را به نحو بی نظیر به دست بیاوریم. زمینه های پنهان، الگوهای زمینه مخفی هستند که به عنوان بردارهای عددی طراحی شده اند که از اطلاعات حسگر خام استخراج می شوند. زمینه های پنهان به طور خودکار برای هر کاربر با استفاده از تکنیک های یادگیری عمیق بدون نظارت و PCA بر روی داده های جمع آوری شده از تلفن همراه کاربر آموخته می شود. یکپارچه سازی داده های استخراج شده از سنسورهای بعدی به یک الگوریتم پیشنهادی جدید علمی ناپیوسته، موجب افزایش 20٪ افزایش دقت توصیه شده می شود.
کلمات کلیدی: توصیه شده، سيستم هاي توصيه كننده، سيستم هاي توصيف كننده اگه از زمینه، زمینه، فاکتورگیری اموزش عمیق
Towards latent context-aware recommendation systems
ABSTRACT
The emergence and penetration of smart mobile devices has given rise to the development of context-aware systems that utilize sensors to collect available data about users in order to improve various user services. Recently, the use of context-aware recommender systems (CARS) aimed at recommending items to users has expanded, particularly those that consider user context. Adding context to recommendation systems is challenging, because the addition of various environmental contexts to the recommendation process results in the expansion of its dimensionality, and thus increases sparsity. Therefore, existing CARS tend to incorporate a small set of pre-defined explicit contexts which do not necessary represent user context or reflect the optimal set of features for the recommendation process. We suggest a novel approach centered on representing environmental features as low dimensional unsupervised latent con¬texts. We extract data from a rich set of mobile sensors in order to infer unexplored user contexts in an unsupervised manner. The latent contexts are hidden context patterns modeled as numeric vectors which are efficiently extracted from raw sensor data. The latent contexts are automatically learned for each user utilizing unsupervised deep learning techniques and PCA on the data collected from the user’s mobile phone. Integrating the data extracted from high dimensional sensors into a new latent context-aware recommendation algorithm results in up to a 20% increase in recommendation accuracy
Keywords: Recommendation Recommender systems Context-aware recommender systems Context Matrix factorization Deep learning
کد:10779
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله به سوی سیستم های توصیه ای مبتنی بر زمینه پنهان
تعداد کلمات فایل انگلیسی:11801 کلمه 14 صفحه pdf
تعداد صفحات فایل ترجمه:34 صفحه word فونت 14 B Nazanin
به سوی سیستم های توصیه ای مبتنی بر زمینه پنهان
موشه انگر، آریل بار، براکا شاپیرا، لیور روکاچ
چکیده
ظهور و نفوذ دستگاه های هوشمند تلفن همراه، توسعه سیستم های متفاوت اطلاعاتی است که از سنسورها برای جمع آوری داده های موجود در مورد کاربران برای بهبود خدمات مختلف کاربر استفاده می کنند. به تازگی، استفاده از سیستم های پیشنهاد دهنده متداول (CARS) با هدف توصیه به اقلام به کاربران گسترش یافته است، به ویژه آنهایی که زمینه کاربر را بررسی می کنند. اضافه کردن زمینه به سیستم های توصیه شده چالش برانگیز است، زیرا اضافه کردن زمینه های مختلف محیطی به فرآیند توصیه باعث گسترش ابعاد آن می شود و به این ترتیب، سرعت را افزایش می دهد. بنابراین CARS های موجود به یک مجموعه کوچک از زمینه های صریح از پیش تعریف شده تمایل دارند که نیازی به توصیف زمینه کاربر و یا بازتاب مجموعه ای بهینه از ویژگی های فرایند توصیه ای ندارند. ما یک رویکرد جدید را در زمینه ارائه ویژگی های زیست محیطی به عنوان محدوده های نامعتبر بدون نظارت کمتری ارائه می کنیم. ما داده ها را از یک مجموعه غنی از سنسورهای تلفن همراه استخراج می کنیم تا زمینه های ناشناخته کاربر را به نحو بی نظیر به دست بیاوریم. زمینه های پنهان، الگوهای زمینه مخفی هستند که به عنوان بردارهای عددی طراحی شده اند که از اطلاعات حسگر خام استخراج می شوند. زمینه های پنهان به طور خودکار برای هر کاربر با استفاده از تکنیک های یادگیری عمیق بدون نظارت و PCA بر روی داده های جمع آوری شده از تلفن همراه کاربر آموخته می شود. یکپارچه سازی داده های استخراج شده از سنسورهای بعدی به یک الگوریتم پیشنهادی جدید علمی ناپیوسته، موجب افزایش 20٪ افزایش دقت توصیه شده می شود.
کلمات کلیدی: توصیه شده، سيستم هاي توصيه كننده، سيستم هاي توصيف كننده اگه از زمینه، زمینه، فاکتورگیری اموزش عمیق
Towards latent context-aware recommendation systems
ABSTRACT
The emergence and penetration of smart mobile devices has given rise to the development of context-aware systems that utilize sensors to collect available data about users in order to improve various user services. Recently, the use of context-aware recommender systems (CARS) aimed at recommending items to users has expanded, particularly those that consider user context. Adding context to recommendation systems is challenging, because the addition of various environmental contexts to the recommendation process results in the expansion of its dimensionality, and thus increases sparsity. Therefore, existing CARS tend to incorporate a small set of pre-defined explicit contexts which do not necessary represent user context or reflect the optimal set of features for the recommendation process. We suggest a novel approach centered on representing environmental features as low dimensional unsupervised latent con¬texts. We extract data from a rich set of mobile sensors in order to infer unexplored user contexts in an unsupervised manner. The latent contexts are hidden context patterns modeled as numeric vectors which are efficiently extracted from raw sensor data. The latent contexts are automatically learned for each user utilizing unsupervised deep learning techniques and PCA on the data collected from the user’s mobile phone. Integrating the data extracted from high dimensional sensors into a new latent context-aware recommendation algorithm results in up to a 20% increase in recommendation accuracy
Keywords: Recommendation Recommender systems Context-aware recommender systems Context Matrix factorization Deep learning
کد:10779
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com