دانلود فایل ورد word فایل ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتماد

توضیحات

دانلود فایل ورد word فایل ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتمادفرمت فایل اصلی : ورد قابل ویرایش عنوان:ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتماد تعداد صفحات :149 چکیده: امروزه با گسترش و رشد روز افزون اطلاعات در فضای مجازی و وجود انبوهی از کالا یا خدماتی که در وب سایتهای تجاری و خدماتی ارائه می­گردند کاربران را با این مشکل مواجه نموده است که چگونه کالا یا خدمت مورد نظر خود را به راحتی و با صرف کمترین زمان ممکن بیابند. در این میان سیستمهای توصیه­گر با هدف تسهیل و یاری رساندن به کاربران در زمینه انتخاب و یافتن کالای مورد نیاز ایشان با استفاده از علوم و روشهای مبتنی بر داده کاوی اطلاعات، ایجاد و توسعه یافته­اند. همچنین در سالهای اخیر ظهور و گسترش شبکه­های اجتماعی و شبکه­های مبتنی بر رابطه اعتماد میان کاربران، باعث گشوده شدن افق جدیدی در ارائه سیستمهای توصیه­گر و توسعه نسل جدیدی از اینگونه سیستمها گردیده است و آنرا به یکی از موضوعات جذاب و مورد توجه محققان تبدیل نموده است. از میان روشها و مدل­های موجود در زمینه سیستمهای توصیه­گر روش پالایش گروهی به لحاظ سادگی پیاده­سازی از محبوبیت قابل ملاحظه­ای برخوردار است اما این روش در ارائه پیشنهادات مناسب و قابل قبول به کاربران تازه وارد دارای ضعف­های جدی می­باشد. سیستمهای توصیه ­گر مبتنی بر اعتماد، با بهره­گیری از رابطه اعتماد میان کاربران، در جهت رفع نقاط ضعف بیان شده و خصوصا ارائه پیشنهادات مناسب به کاربران تازه وارد گامهای موثری برداشته­اند. در این تحقیق سعی شده است تا از تلفیق و ترکیب روش­های موجود در زمینه پالایش گروهی و همچنین مدلهای مبتنی بر اعتماد و بررسی نقاط ضعف و قوت آنها مدلی نوین و توسعه یافته ارائه گردد که در آن نتایج از خطای کمتر و دقت بالاتری برخوردار بوده و با افزایش معیار پوشش بتوان به درصد بیشتری از کاربران پاسخ مناسب ارائه نمود. برای این منظور در میان انواع روشهای پالایش گروهی، روش مبتنی بر آیتم و برای پیمایش شبکه اعتماد میان کاربران نیز از روش پیمایش تصادفی بهره گرفته شده است، همچنین با تفسیر و تعدیل نظرات کاربران و اتخاذ شیوه­ای مناسب جهت محاسبه مقدار دقیق اعتماد میان کاربران و تغییر در نحوه پیمایش شبکه اعتماد میان ایشان سعی در بهبود و کاهش خطاهای نتایج گردیده است. در نهایت، جهت ارزیابی و برآورد مدل ترکیبی ارائه شده، نتایج و آمارهای حاصل از اجرای مدل پیشنهادی بر روی مجموعه داده های Epinions و Movielens و مقایسه آنها با نتایج مدل پایه TrustWalkerبه عنوان یکی از بهترین مدلهای ترکیبی ارائه شده در زمینه سیستمهای توصیه گر مبتنی بر اعتماد، ارائه می­گردد. فصل اول: مقدمه ای بر انواع سیستم های توصیه گر 1-1- مقدمه گسترش سریع و روز افزون اطلاعات ارائه شده بر روی شبکه جهانی اینترنت، کاربران را با مشکلات عدیده و قابل تاملی در خصوص انتخاب منابع و اطلاعات مورد نیاز ایشان مواجه نموده است و چه بسا که بدون راهنمایی و هدایت صحیح، کاربران در اخذ تصمیمات صحیح یا انتخاب کالا و خدمات مورد نیازشان دچار اشتباه شده که این امر تبعات عدیده­ای از جمله نارضایتی، سلب اطمینان کاربران و مشتریان سایتهای موجود بر روی اینترنت را به همراه خواهد داشت. از اینرو وجود ابزار و سیستمهایی برای کمک به کاربران در انتخاب اطلاعات مناسب و مورد نیاز ایشان کاملا ضروری به نظر می­رسد. در سالهای اخیر برای برآورده سازی این نیازها سیستمهای توصیه­گرمطرح و توسعه یافته­اند و الگوریتمها ، مقالات و متون علمی بسیار متنوع و مختلفی در این زمینه مطرح گردیده است . در این میان، ایجاد و گسترش شبکه­های اجتماعی، شبکه­های اعتماد و وجود انواع روابط میان کاربران این شبکه­ها افق جدیدی را برروی محققان و توسعه دهندگان سیستمهای توصیه­گر گشوده است تا با بهره­گیری از علوم اجتماعی و علوم روان شناختی حاکم در این شبکه­ها و خصوصا وجود رابطه اعتماد میان کاربران بتوانند نسل جدیدی از سیستمهای توصیه­گر را تحت عنوان “سیستمهای توصیه­گر مبتنی بر اعتماد[1]“معرفی و عرضه نمایند. این سیستمها قادر هستند تا به درصد بیشتری از کاربران پاسخ مناسب را ارائه دهند و همچنین نتایج آنها از دقت بالاتری برخوردار می­باشد. با توجه به کثرت کاربران و افراد عضو شبکه­های مبتنی بر اعتماد و شبکه­های اجتماعی، همچنین تنوع رفتار و ویژگی­های ایشان، تنها یک شیوه یا یک مدل قادر به پاسخگویی و ارائه پیشنهادات دقیق و قابل قبول نمی­باشد که این امر باعث ظهور سیستمهای توصیه­گر ترکیبی[2]گردیده است. در این سیستمها سعی شده است تا با ترکیب انواع مختلفی از سیستمهای توصیه­گر بتوان سیستمی تولید نمود که دارای مزایای حداکثری و معایب حداقلی باشد. در این پروژه سعی شده است تا با تغییر، اصلاح، تلفیق و ترکیب تعدادی از روشها و الگوریتم­های مطرح و قابل قبول در سطح جهانی، مدلی ارائه گردد که نسبت به مدل­های پیشین دارای دقت و درصد پوشش بالاتری باشد و همچنین بتواند نقایص مدلهای پیشین خصوصا در رابطه با ارائه پیشنهاد به کاربران تازه وارد[3] را تا حد قابل قبولی مرتفع نماید. 1-2- سیستمهای توصیه ­گر تعاریف متفاوتی برای سیستم‌های توصیه‌گر ارائه شده‌است. عده­ای از محققان سیستمهای توصیه­گر را زیرمجموعه‌ای از سیستمهای تصمیم­یار[4] می‌دانند و آنها را سیستم‌های اطلاعاتی[5] تعریف می‌کنند که توانایی تحلیل رفتارهای گذشته و ارائه توصیه‌هایی برای مسائل جاری را دارا می­باشند[1]. به زبان ساده‌تر در سیستم‌های توصیه‌گر تلاش بر این است تا با حدس زدن شیوه تفکر کاربر به کمک اطلاعاتی که از نحوه رفتار وی یا کاربران مشابه و نظرات آنها داریم مناسب‌ترین و نزدیک‌ترین کالا یا خدمت به سلیقه او را شناسایی و پیشنهاد کنیم. این سیستم‌ها در حقیقت سعی دارند فرایندی را که ما در زندگی روزمره خود بکار می‌بریم و طی آن تلاش می‌کنیم تا افرادی با سلایق نزدیک به خود را پیدا کرده و از آنها در مورد انتخاب‌هایمان نظر بخواهیم را شبیه سازی نمایند. به صورت کلی­تر سیستمهای توصیه­گر زیر مجموعه­ای از سیستمهای پالایش اطلاعات[6]هستند که وظیفه آنها جستجو برای بیان پیش­بینی امتیاز(درجه)[7] یا بیان سلایق و ترجیحات[8] یک کاربر در خصوص یک موضوع[9] ( مانند موسیقی، کتاب یا فیلم) یا یک عنصر اجتماعی مانند افراد و گروهها می­باشد[2]–[4]. 1-3- انواع سیستمهای توصیه ­گر از لحاظ عملکردی سیستمهای توصیه­گر به لحاظ نحوه ارائه نتایج و پیشنهادات به کاربران خود، به شیوه های متفاوتی عمل می نمایند که در ذیل به پاره­ ای از آنها به صورت فهرست وار اشاره می­گردد: – پیشنهاد لیستی متشکل از n کالا یا محصول برتر (معمولا n برابر 10 است ) – پیشنهادات فصلی و موردی مانند پیشنهاد یک هتل دارای تخفیف جهت تعطیلات – بیان درصد علاقه­مندی سایر کاربران به یک محصول خاص، به عنوان مثال: “80 درصد کاربران از خرید این محصول راضی بوده اند “ – پیش بینی میزان امتیازی که یک کاربر به یک محصول خاص خواهد داد در این تحقیق سعی در ایجاد مدلی است که بتواند نظر و امتیاز تخصیص داده شده توسط یک کاربر خاص به یک محصول یا آیتم خاص را پیش­بینی نماید. 1-4- مزایا و اهمیت یک سیستم توصیه ­گر کارآمد طبق آمار رسمی ارائه شده توسط سایت فروش کتاب Amazon[10] ، 35 درصد از فروش این سایت به واسطه وجود سیستم توصیه­گر و ارائه پیشنهادات مناسب به علاقه­مندان کتاب می باشد[5] همچنین سایت اجاره فیلم Netflix برای بهبود 10 درصدی دقت سیستم توصیه­گر خود موسوم به Cinematch[11]جایزه ای بالغ بر یک میلیون دلار برای محققان در نظر گرفته است. هر دو مثال فوق نشان دهنده اهمیت سیستمهای توصیه­گر و نقش آنها در تجارت می­باشد. در ذیل تعدادی از دلایل اهمیت وجود یک سیستم توصیه­گر مناسب و کارآمد در یک سایت تجارت الکترونیک برشمرده می­گردد: – راهنمایی کاربران و بازدید کنندگان در انتخاب کالا ، محصول یا خدمت مناسب – تسریع در زمان انتخاب کالای مورد نظر مشتری مانند انتخاب یک فیلم مناسب در میان میلیونها فیلم موجود در سایت – جمع­ آوری اطلاعات ارزشمند در خصوص سلایق و رفتار کاربران جهت برنامه­ ریزی­ های آتی – جذب مشتریان و بازدید کنندگانی که برای اولین بار است از سایت بازدید می­کنند – افزایش میزان رضایتمندی کاربران و طبیعتا افزایش سود سرمایه گذاران تجاری – ایجاد احساس اطمینان در مشتری با ارائه آمار نظرات سایر کاربران – بهبود معیارهای سنجش رتبه و درجه پورتال یا سایت – توجه به جنبه­ های روان­شناختی کاربران – افزایش آگاهی کاربر در زمینه مورد علاقه وی [1] Trust-Based Recommendation Systems(TBRS) [2] Hybrid Recommender System [3] Cold Start Users [4] Decision Support Systems(DSS) [5] Information Systems(IS) [6] Information Filtering Systems [7] Ratings [8] Preferences [9] Item [10]http://www.amazon.com [11] http://www.netflixprize.com فهرست مطالب: فصل اول : مقدمه­ای بر انواع سیستم توصیه­ گر 1-1- مقدمه 1-2- سیستمهای توصیه­ گر 1-3- انواع سیستمهای توصیه ­گر از لحاظ عملکردی 1-4- مزایا و اهمیت یک سیستم توصیه­ گر کارآمد 1-5- معایب و مشکلات کلی سیستمهای توصیه ­گر 1-6- انواع رویکردها و مدلهای موجود در زمینه پیاده­ سازی سیستمهای توصیه­ گر 1-7- تشریح و بیان مسئله 1-8- اهداف تحقیق 1-9- سوالات و فرضیه­ های تحقیق 1-10- مراحل تحقیق 1-11- فصول پروژه فصل دوم : مروری بر ادبیات تحقیق و مبانی نظری تحقیق 2-1- مقدمه 2-2- پالایش گروهی (Collaborative Filtering) 2-2-1- پالایش گروهی مبتنی بر حافظه(Memory Based) 2-2-1-1- روش پالایش گروهی مبتنی بر آیتم 2-2-1-2- امتیازدهی به صورت پیش فرض 2-2-1-3- تشدید حالت(Case Amplification) 2-2-2- پالایش گروهی مبتنی بر مدل(Model Based) 2-3- پالایش محتوایی (Content Based Filtering) 2-4- تکنیکهای ترکیبی 2-5- سیستمهای توصیه­ گر مبتنی بر رابطه اعتماد میان کاربران 2-5-1- چگونگی کارکرد سیستم توصیه­ گر مبتنی بر اعتماد 2-5-2- مزایا و معایب 2-5-3- انتشار اعتماد و تجمیع اعتماد 2-6- چالش ها و محدودیتهای موجود 2-6-1- نقصان و کاستی اطلاعات 2-6-2- مشکل کاربران تازه وارد 2-6-3- کلاهبرداری و تقلب 2-6-4- پیچیدگی های محاسباتی و زمانی 2-7- معیارهای ارزیابی سیستمهای توصیه­ گر 2-7-1- خطای جذر میانگین مربعات (RMSE) 2-7-2- معیار درصد پوشش 2-7-3- معیار دقت 2-7-4- معیار F-Measure فصل سوم : مروری بر مطالعات و تحقیقات پیشین 3-1- مقدمه 3-2- مرور کارهای گذشته 3-2-1- مدل MoleTrust 3-2-2- مدل TidalTrust 3-2-3- مدل دانه سیب 3-2-4- مدل ارائه شده توسط Anderson 3-2-5- مدل ارائه شده توسط O’Donovan 3-2-6- مدل TrustWalker 3-2-6-1- ساختار مدل TrustWalker 3-2-6-2- تشابه آیتم ها 3-2-6-3- خصوصیات ویژه مدل TrustWalker 3-2-6-3-1- فراگیری و عمومیت مدل 3-2-6-3-2- اطمینان به نتایج حاصل 3-2-6-3-3- تفسیرپذیری و قابل توضیح بودن نتایج 3-2-6-4- نمایش ماتریسی مدل TrustWalker 3-2-6-5- نتیجه گیری در خصوص مدل TrustWalker فصل چهارم : تشریح مدل ترکیبی پیشنهادی و چگونگی توسعه و بهبود مدل پایه 4-1- مقدمه 4-2- تشریح مدل کلی TrustWalker 4-2-1- علائم نشانه گذاری و متغیرهای مدل 4-2-2- روند یک پیمایش تصادفی در شبکه 4-2-3- انتخاب تصادفی یک کاربر 4-2-4- انتخاب یک آیتم مشابه 4-2-5- تشابه آیتم ها 4-2-6- محاسبه احتمال ماندن در یک گره شبکه اعتماد 4-2-7- چگونگی انجام پیش­بینی امتیاز 4-2-8- چگونگی محاسبه احتمال 4-2-9- چگونگی محاسبه عملی 4-2-10- شرط اتمام کلی مدل 4-3- بهبود و توسعه مدل TrustWalker 4-3-1- استفاده از فرمول jaccard جهت محاسبه تشابه آیتم ها 4-3-2- حذف میانگین از فرمول پیرسون 4-3-3- استفاده از تکنیک مبتنی بر آیتم خالص 4-3-4- تعدیل و تفسیر نظرات کاربران 4-3-5- محاسبه دقیق مقدار اعتماد یا امتیاز رابطه میان دو کاربر 4-3-6- محاسبه ترکیبی امتیاز رابطه میان کاربران فصل پنجم : تشریح روند انجام آزمایشات و نتایج حاصل 5-1- مقدمه 5-2- معرفی مجموعه داده epinions 5-2-1- ویژگیهای مجموعه داده epinions 5-2-2- آماده سازی و نحوه پالایش داده­ها 5-2-3- ایجاد مجموعه داده نمونه 5-3- مجموعه داده movielens 5-3-1- ویژگیهای مجموعه داده movielens 5-4- نیازمندیهای نرم افزاری 5-5- نیازمندیهای سخت افزاری 5-6- متدولوژی نرم افزاری 5-7- پارامترهای پیش فرض انجام آزمایشات 5-8- نتایج اجرای آزمایشات با مجموعه داده epinions و movielens 5-8-1- بررسی تاثیر عمق پیمایش بر روی نتایج حاصل در خصوص کاربران تازه وارد 5-8-2- بررسی تاثیر تاریخ اعلام نظرات توسط کاربران 5-8-3- بررسی تاثیر تغییر فرمول محاسبه تشابه آیتمها 5-8-4- بررسی تاثیر بکارگیری مکانیزم تفسیر و تعدیل نظرات کاربران 5-8-5- بررسی تاثیر بکارگیری انواع روشهای ترکیبی برای انتخاب کاربران و پیمایش شبکه 5-8-5-1- نحوه محاسبه امتیاز رابطه موجود میان کاربران 5-8-5-2- بررسی تاثیر بکارگیری روشهای ترکیبی در عملکرد سیستم برای تمامی کاربران 5-8-5-3- بررسی تاثیر بکارگیری روشهای ترکیبی در عملکرد سیستم برای کاربران تازه وارد 5-8-6- بررسی تاثیر بکارگیری توام مکانیزم تفسیر امتیازات کاربران به همراه استفاده از روشهای ترکیبی انتخاب کاربران و پیمایش شبکه اعتماد 5-9- انجام آزمایشات با مجموعه داده movielens 5-9-1- نتایج حاصل از اجرای روشهای ترکیبی مورد استفاده در مدل توسعه یافته فصل ششم : نتیجه گیری نهایی و کارهای آینده 6-1- مقدمه 6-2- عملکرد مدل توسعه یافته 6-2-1- عملکرد مدل توسعه یافته در خصوص تمامی کاربران 6-2-2- عملکرد مدل توسعه یافته در خصوص کاربران تازه وارد 6-3- نتیجه گیری نهایی 6-3-1- تحلیل نهایی نتایج حاصل از انجام آزمایشات بر روی مجموعه داده epinions 6-3-2- تحلیل نهایی نتایج حاصل از انجام آزمایشات بر روی مجموعه داده movielens 6-4- پیشنهادات کارهای آینده اختصارات فهرست منابع