Loading...

A Novel Context-Aware Model to Improve Quality of Recommender Systems

Abbasi, Ali | 2014

2107 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 46764 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Rabiei, Hamid Reza; Jalili, Mahdi
  7. Abstract:
  8. As the amount of data on the Internet grows, users face diverse options while searching for their desired information and items. Therefore, accessing what one is looking for, is usually time consuming and even impossible in some cases. In order to solve this issue, the goal of recommender systems is to offer recommendations which are compatible with users’ needs and preferences. One of the most important challenges of recommender systems is to improve the quality of recommendations. Recommender systems’ quality can be assessed using different metrics including precision, novelty and coverage. However, these metrics are inconsistent in some applications and improving one will cause a decline in others. The main contribution of this thesis is to provide a context-based model to increase coverage and novelty of recommendations while maintaining the precision of the system. Users’ mood, time and location are among the most used contextual information, whereas our primary focus is on location. The main concept used here is to integrate users’ individual behaviors in order to form group behaviors. This approach provides additional information which could not be extracted through analyzing users’ individual behavior. This information will improve the quality of recommendations. One can model users’ behavior using the list of accessed items. Therefore, grouping items and analyzing users’ behavior in group level leads to behavior integration. Spatial distance is used as the distance metric for items clustering. Moreover, for studying the integrated behavior in multi-resolutions, a hierarchical clustering method is utilized. Finally, we use a Bayesian approach to combine information from different levels for the sake of generating recommendation lists. Our simulation results indicate that the proposed method not only provides high accuracy, but also has high values of coverage and novelty considering other present methods
  9. Keywords:
  10. Machine Learning ; Recommender System ; Complex Network ; Spatial Information ; Context Information

 Digital Object List

 Bookmark

  • 1 مقدمه
    • 1‏.‏1 اهمیت و کاربرد‌های سیستم‌های توصیه‌گر
    • 1‏.‏2 نحوه‌ی کار و دسته‌بندی کلی سیستم‌های توصیه‌گر
      • 1‏.‏2‏.‏1 انواع اطلاعات مورد استفاده
      • 1‏.‏2‏.‏2 دسته‌بندی انواع سیستم‌های توصیه‌گر بر اساس اطلاعات ورودی
    • 1‏.‏3 برخی از چالش‌‌های موجود
    • 1‏.‏4 معیار‌های ارزیابی
    • 1‏.‏5 آشنایی با سیستم‌های توصیه‌گر آگاه از زمینه
      • 1‏.‏5‏.‏1 مفهوم زمینه
    • 1‏.‏6 تعریف مسئله
    • 1‏.‏7 دستاورد‌های پژوهش
    • 1‏.‏8 ساختار پایان‌نامه
  • 2 کارهای پیشین پایه
    • 2‏.‏1 دسته‌بندی الگوریتم‌های پایه
    • 2‏.‏2 الگوریتم‌های مبتنی بر محتوا
    • 2‏.‏3 الگوریتم‌های پایش همکارانه
      • 2‏.‏3‏.‏1 الگوریتم‌های پایش همکارانه مبتنی بر حافظه
      • 2‏.‏3‏.‏2 الگوریتم‌های پایش همکارانه مبتنی بر مدل
    • 2‏.‏4 الگوریتم‌های ترکیبی
    • 2‏.‏5 جمع‌بندی و مقایسه‌ی کلی الگوریتم‌‌های پایه مطرح‌شده
  • 3 برخی از روش‌های آگاه از زمینه
    • 3‏.‏1 مدل‌سازی اطلاعات زمینه‌ای در سیستم‌های توصیه‌گر
      • 3‏.‏1‏.‏1 الگوهای به‌کارگیری زمینه در سیستم‌های توصیه‌گر
    • 3‏.‏2 استفاده از اطلاعات زمینه‌ای به‌عنوان پیش-پایش
    • 3‏.‏3 استفاده از اطلاعات زمینه‌ای به‌عنوان پس-پایش
    • 3‏.‏4 استفاده از اطلاعات زمینه‌ای در ساخت یک مدل‌
    • 3‏.‏5 جمع‌بندی و مقایسه‌ی روش‌های مطرح‌شده
  • 4 روش پیشنهادی
    • 4‏.‏1 مقدمه
    • 4‏.‏2 شرح روش پایه
    • 4‏.‏3 تحلیل رفتار کاربرها در تفکیک‌پذیری‌های مختلف
      • 4‏.‏3‏.‏1 گروه‌بندی سلسله‌مراتبی قلم‌ها
      • 4‏.‏3‏.‏2 تجمیع رفتار منفرد کاربرها و محاسبه احتمال گذر بین گروه‌ها
      • 4‏.‏3‏.‏3 ترکیب‌ احتمال‌های به دست آمده و پیش‌بینی احتمال گذر به حالت‌های هدف
    • 4‏.‏4 الگوریتم کامل روش پیشنهادی
    • 4‏.‏5 جمع‌بندی
  • 5 روش آزمایش و نتایج شبیه‌سازی
    • 5‏.‏1 نحوه ارزیابی روش‌ها
    • 5‏.‏2 روش‌های رقیب
    • 5‏.‏3 معیار‌های ارزیابی
      • 5‏.‏3‏.‏1 معیار‌های ارزیابی دقت
      • 5‏.‏3‏.‏2 معیار‌های ارزیابی تازگی
      • 5‏.‏3‏.‏3 معیارهای ارزیابی گوناگونی و پوشش
    • 5‏.‏4 معرفی مجموعه داده
      • 5‏.‏4‏.‏1 پیش‌پردازش انجام‌گرفته بر روی مجموعه داده
      • 5‏.‏4‏.‏2 ویژگی‌های آماری مجموعه داده استفاده‌شده برای ارزیابی
    • 5‏.‏5 نتایج شبیه‌سازی
      • 5‏.‏5‏.‏1 نتایج مربوط به معیار‌های ارزیابی دقت
      • 5‏.‏5‏.‏2 نتایج مربوط به معیار‌های ارزیابی تازگی و پوشش
    • 5‏.‏6 تحلیل روش پیشنهادی و بیان کاستی‌ها و مزایای آن
      • 5‏.‏6‏.‏1 ویژگی‌ها و مزایای اصلی روش پیشنهادی
      • 5‏.‏6‏.‏2 کاستی‌های روش پیشنهادی
  • 6 نتیجه‌گیری و کارهای آتی
  • کتاب‌نامه
  • واژه‌نامه‌ی فارسی به انگلیسی
  • واژه‌نامه‌ی انگلیسی به فارسی
...see more