فهرست مطالب
چکیده.. أ
فصل اول : کلیات تحقیق
1-1 مقدمه.. 3
1-2 بیان مساله.. 3
1-3 تکنیکهای توصیه.. 4
1-3-1 تکنیک مبتنی بر محتوا.. 5
1-3-2 تکنیک مشارکتی.. 6
1-3-2-1 رویکرد مبتنی بر کاربر.. 7
1-3-2-2 رویکرد مبتنی بر کالا.. 8
1-3-2-3 رویکرد مبتنی بر مدل.. 9
1-3-3 تکنیک مبتنی بر دانش.. 9
1-3-4 تکنیک جمعیتشناختی.. 9
1-3-5 تکنیک هیبریدی.. 10
1-4 مزایای استفاده از سیستمهای توصیهگر.. 10
1-4-1 اطلاعات واقعی.. 10
1-4-2 اکتشاف فضای جدید.. 10
1-4-3 قابلیت اطمینان.. 10
1-4-4 به روز بودن.. 11
1-4-5 کاهش هزینه نگهداری.. 11
1-4-6 صرفهجویی در زمان.. 11
1-5 مشکلات سیستمهای توصیهگر.. 11
1-5-1 اسپارس.. 11
1-5-2 شروع سرد . 12
1-5-3 قدرت کارایی . 12
1-5-4 تخصصی شدن بیشتر . 13
1-6 مراحل طراحی سیستمهای توصیهگر.. 13
1-6-1 ساخت و نگهداری پروفایل.. 13
1-6-2 استخراج اطلاعات از پروفایل جهت تولید پیشنهاد.. 15
1-6-2-1 متدهای پالایش اطلاعات.. 15
1-6-2-2 متدهای تطبیق کالا-پروفایل.. 16
1-6-2-3 متدهای تطبیق پروفایل در حالت مشارکتی.. 17
1-7 اهمیت و ضرورت انجام تحقيق.. 17
1-8 جنبه جديد بودن و نوآوري در تحقيق.. 18
1-9 اهداف مشخص تحقيق.. 18
1-10 سؤالات تحقیق.. 18
1-11 فرضيههاي تحقیق.. 19
1-12 تعريف واژهها و اصطلاحات فني و تخصصی.. 19
1-12-1 سیستم توصیهگر.. 19
1-12-2 تکنیکهای توصیه.. 19
1-12-3 شبکه عصبی.. 19
1-13 شرح كامل روش تحقیق بر حسب هدف، نوع دادهها و نحوه اجراء 20
1-14 متغيرهاي مورد بررسي در قالب یک مدل مفهومی.. 20
1-15 ابزار گردآوري دادهها.. 20
1-16 جامعه آماري، روش نمونهگيري و حجم نمونه.. 21
1-17 روشها و ابزار تجزيه و تحليل دادهها.. 21
1-17-1 نرمافزار متلب.. 21
1-17-2 زبان برنامهنویسی سیشارپ.. 22
1-18 خلاصه فصل.. 22
فصل دوم: پیشینه تحقیق و مباحث تکمیلی
2-1 مقدمه.. 24
2-2 مرور ادبیات و سوابق مربوطه.. 24
2-3 روشهای ترکیب تکنیکهای توصیه.. 42
2-3-1 روش ترکیبی وزنی.. 42
2-3-2 روش ترکیبی سوئیچینگ.. 42
2-3-3 روش ترکیبی مخلوطی.. 43
2-3-4 روش ترکیبی ترکیب ویژگی.. 43
2-3-5 روش ترکیبی آبشاری.. 43
2-3-6 روش ترکیبی تقویت ویژگی.. 44
2-4 معیارهای ارزیابی سیستمهای توصیهگر.. 44
2-4-1 دقت.. 45
2-4-2 میانگین خطای مطلق.. 45
2-4-3 پوشش.. 45
2-4-4 زمان محاسبه.. 45
2-4-5 قوی بودن.. 45
2-5 هوش محاسباتی.. 46
2-6 شبکه عصبی مصنوعی.. 47
2-7 كاربردهاي شبكه عصبي.. 48
2-8 مزایای شبکههای عصبی.. 49
2-9 محدودیتهای شبکه عصبی مصنوعی.. 49
2-10 مقایسه سلول عصبی انسان و سلول عصبی مصنوعی.. 50
2-11 اجزاي شبكه عصبي مصنوعی.. 51
2-11-1 ورودي.. 51
2-11-2 یال.. 51
2-11-3 وزن.. 52
2-11-4 تابع فعالسازی.. 52
2-11-5 لایه خروجی.. 52
2-12 ساختار شبکههای عصبی.. 53
2-12-1 شبكههاي پيشخور.. 53
2-12-2 شبكههاي پسخور.. 53
2-13 مراحل طراحی شبکه عصبی مصنوعی.. 54
2-13-1 طراحي معماري شبكه.. 55
2-13-2 تعيين نوع تابع تبديل.. 55
2-13-3 آموزش شبكه.. 55
2-13-3-1 يادگيري نظارت شده.. 56
2-13-3-2 يادگيري نظارت نشده.. 56
2-14 انواع شبکههای عصبی مصنوعی.. 56
2-14-1 شبکه تک لایه پرسپترون.. 57
2-14-2 شبکه چند لایه پرسپترون.. 57
2-14-3 شبکههای عصبی پایه شعاعی.. 57
2-14-4 نگاشتهای خودسازمانده.. 58
2-14-5 یادگیری کوانتیزه بردار.. 58
2-14-6 شبکه عصبی هاپفیلد.. 59
2-15 معرفی کامل شبکههای عصبی پرسپترون چند لایه.. 59
2-15-1 قانون یادگیری پسانتشار خطا.. 62
2-15-2 توابع تحریک.. 63
2-15-2-1 تابع تحریک پله.. 63
2-15-2-2 تابع علامت.. 64
2-15-2-3 تابع محرک سیگمویدی.. 64
2-15-2-4 تابع تحریک تانژانت هیپربولیک.. 65
2-16 خلاصه فصل.. 66
فصل سوم: الگوریتم پیشنهادی
3-1 مقدمه.. 68
3-2 مجموعه داده موویلنس.. 68
3-2-1 ویژگی مجموعه داده موویلنس.. 68
3-3 پیشپردازش داده.. 69
3-4 الگوریتم پیشنهادی.. 71
3-4-1 روش ترکیب تکنیکها.. 72
3-4-2 فاز مبتنی بر محتوا.. 73
3-4-2-1 شبکه عصبی MLP. 73
3-4-3 فاز مشارکتی.. 75
3-4-3-1 معیار شباهت پیرسون.. 75
3-4-3-2 معیار شباهت کسینوس.. 76
3-4-3-3 پیشبینی با روش -Kنزدیکترین همسایه.. 77
3-5 خلاصه فصل.. 77
فصل چهارم: نتایج شبیهسازی
4-1 مقدمه.. 79
4-2 معیارهای ارزیابی.. 79
4-2-1 دقت.. 79
4-2-2 میانگین خطای مطلق.. 80
4-2-3 میانگین مربعات خطا.. 80
4-2-4 مجذور میانگین مربعات خطا.. 81
4-3 ارزیابی و مقایسه نتایج.. 81
4-4 نتایج روش پیشنهادی.. 83
4-5 خلاصه فصل.. 88
فصل پنجم : نتیجهگیری و پیشنهادات آینده
5-1 نتیجهگیری.. 90
5-2 پیشنهادات آینده.. 90
واژهنامهی انگلیسی به فارسی.. 91
واژهنامهی فارسی به انگلیسی.. 93
منابع و ماخذ.. 95
فهرست جداول
جدول (1-1) پروفایل کاربر …………………………………………………………………………………………………………….. |
5 |
جدول (1-2) لیست فیلمهای رتبهبندی شده ………………………………………………………………………………………. |
6 |
جدول (1-3)نمونهای از یک سیستم توصیهگر مشارکتی ………………………………………………………………………. |
7 |
جدول (2-1)مقادیر مختلف وزنها در مدل پیشنهادی بدرو …………………………………………………………………. |
35 |
جدول (2-2)دقت نهایی در هر روش مقاله 22 …………………………………………………………………………………… |
37 |
جدول (2-3)حالتهای مختلف بکارگیری مشخصهها در روش GNN ………………………………………………….. |
41 |
جدول (2-4)نتایج حاصل از مدل GNN ……………………………………………………………………………………………. |
41 |
جدول (2-5)روشهای ترکیب تکنیکهای توصیه ………………………………………………………………………………. |
44 |
جدول (3-1) کدگذاری دادههای فایل کاربر ………………………………………………………………………………………. |
69 |
جدول (3-2)کدگذاریهای دادههای فایل فیلم …………………………………………………………………………………… |
70 |
جدول (3-3) نمونه ماتریس اسپارس امتیازات …………………………………………………………………………………… |
73 |
جدول (3-4)ویژگیهای MLP ………………………………………………………………………………………………………… |
74 |
جدول (3-5)نمونه ماتریس امتیازات پر شده در فاز مبتنی بر محتوا ……………………………………………………….. |
75 |
جدول (4-1)MAE بدست آمده از مدل GNN و روش پیشنهادی ………………………………………………………… |
83 |
جدول (4-2)نتایج بدست آمده از الگوریتم پیشنهادی تقویت ویژگی …………………………………………………….. |
84 |
جدول (4-3)دقت بدست آمده از روش پیشنهادی ما و سایر الگوریتمها ………………………………………………… |
87 |
فهرست نمودارها
نمودار (2-1) مقایسه الگوریتمها بر حسب میانگین خطای مطلق برای دادههای MSL ………………………………………… |
30 |
نمودار (2-2) مقایسه الگوریتمها برحسب میانگین خطای مطلق برای دادههای ML ……………………………………………. |
31 |
نمودار (2-3) مقایسه دو الگوریتم با در نظر گرفتن شاخص RMSE برای دادههای MovieLens ………………………… |
32 |
نمودار (2-4) مقایسه دو الگوریتم با در نظر گرفتن شاخص MAE برای دادههای MovieLens ………………………….. |
33 |
نمودار (2-5) مقایسه مقادیر مختلف وزنها بر اساس شاخص میانگین خطای مطلق ………………………………………….. |
35 |
نمودار (2-6) مقایسه روش پیشنهادی با دیگر روشهای مشارکتی بر اساس میانگین خطای مطلق ……………………….. |
36 |
نمودار (2-7) دقت استراژیهای وارده و روشهای ترکیبی …………………………………………………………………………….. |
37 |
نمودار (2-8) MAE بدست آمده در روش ICHM ………………………………………………………………………………………… |
39 |
نمودار (2-9) RMSE بدست آمده از روش فیلترینگ مشارکتی بر پایه آیتم ………………………………………………………. |
39 |
نمودار (2-10) دقت بدست آمده از روش ترکیبی کریستاکو …………………………………………………………………………… |
40 |
نمودار (2-11) MAE بدست آمده نسبت به درجه نود برای الگوریتم GNNMean ……………………………………………. |
41 |
نمودار (2-12) تابع پله ………………………………………………………………………………………………………………………………. |
64 |
نمودار (2-13) تابع علامت ……………………………………………………………………………………………………………………….. |
64 |
نمودار (2-14) تابع محرک سیگموئیدی ……………………………………………………………………………………………………… |
65 |
نمودار (2-15) تابع تانژانت هیپربولیک ……………………………………………………………………………………………………….. |
65 |
نمودار (4-1) خطای آموزش بر حسب رتبهدهی…………………………………………………………………………………………….. |
82 |
نمودار (4-2) مقایسه مقدار دقت برای دو روش مشابهت کسینوس و پیرسون در الگوریتم پیشنهادی ما ………………. |
85 |
نمودار (4-3) مقایسه مقدار MAE برای دو روش مشابهت کسینوس و پیرسون در الگوریتم پیشنهادی …………………. |
85 |
نمودار (4-4) مقایسه مقدار MSE برای دو روش مشابهت کسینوس و پیرسون در الگوریتم پیشنهادی ………………….. |
86 |
نمودار (4-5) مقایسه RMSE برای دو روش مشابهت کسینوس و پیرسون در الگوریتم پیشنهادی ………………………… |
86 |
نمودار (4-6) مقایسه مقدار دقت برای روشهای موجود در الگوریتم پیشنهادی با الگوریتمهای پیشین…………………. |
87 |
فهرست شکلها
شکل (1-1) نمونهای شماتیک از رویکرد مبتنی بر کاربر ……………………………………………………………………………… |
8 |
شکل (1-2) نمونهای شماتیک از رویکرد مبتنی بر کالا ……………………………………………………………………………….. |
8 |
شکل (2-1) بلوک دیاگرام الگوریتم پیشنهادگر خوشهبندی …………………………………………………………………………. |
38 |
شکل (2-2) ساختار سلول عصبي انسان …………………………………………………………………………………………………… |
50 |
شکل (2-3) ساختار سلول عصبی مصنوعی ………………………………………………………………………………………………. |
51 |
شکل (2-4) شبکه عصبی مصنوعی ………………………………………………………………………………………………………….. |
52 |
شکل (2-5) شبکه پیشخور …………………………………………………………………………………………………………………… |
53 |
شکل (2-6) شبکه پسخور …………………………………………………………………………………………………………………….. |
54 |
شکل (2-7) شمای کلی یک شبکه عصبی پرسپترون با یک لایه پنهان ………………………………………………………….. |
62 |
شکل (3-1) الگوریتم پیشنهادی ………………………………………………………………………………………………………………. |
72 |
شکل (3-2) شبکه عصبی MLP با دو لایه پنهان ………………………………………………………………………………………… |
74 |