دانلود مقاله ترجمه شده سیستم های توصیه گر سه راهی بر مبنای جنگل های تصادفی

چکیده

سیستم های توصیه گر تلاش می کنند کاربران را در تصمیمات مرتبط با انتخاب آیتم های مبتنی بر رابط ها پیرامون نظرات شخصی خود آنها، هدایت کنند. اکثر سیستم های موجود تلویحاً فرض را بر این می گذارند که دسته بندی اساسی به صورت دو دویی است، یعنی یک ایتم کاندید یا تصویه شده، و یا توصیه نشده است. ما در اینجا چارچوبی جایگزین را پیشنهاد می کنیم که تصمیمات سه راهی و جنگل های تصادفی را در هم ادغام کرده تا سیستم های توصیه گر را ایجاد نماید. نخست ما هم هزینه های دسته بندی نادرست و هم هزینه ی آموزش را در نظر می گیریم. مورد اول برای رفتارهای نادرست توصیه¬گر پرداخت می شود، در حالیکه مورد دوم برای مشاورده دادن فعالانه به کاربر برای اولویت هایش هزینه می شود. با این هزینه ها، یک مدل تصمیم گیری سه راهی ساخته شده و تنظیمات منطقی برای مقادیر آستانه های مثبت و منفی، a* و b*  محاسبه می شود. سپس با ساختن جنگل تصادفی یک احتمال را برای P که مطلوب بنظر می رسد را محاسبه می کنیم. در نهایت b*  a*, و P برای پیشنهاد یک رفتار تعیین می شوند. گزینه پیشنهاد شده براساس یک هزینه متوسط ارزیابی می شود. نتایج آزمایش شده روی مجموعه داده های MovieLens (که به خوبی شناخته شده است) نشان می دهد که جفت (a*,b*) که از طریق مدل سه راهی تعیین شده بودند، نه تنها در مرحله آموزش بلکه در مرحله تست نیز بسیار مطلوب و مورد پسند بودند.

1-مقدمه

سیستم های توصیه گر (Rs)، برای ارائه ی آیتم هایی همچون؛ فیلم ها (41_22_21)، موسیقی (16) ، به مشتریان، به طور وسیعی مطالعه شده است. برای اجرای RS، دو هدف اصلی وجود دارد: هدف حافظه محور و هدف مدل محور (8). مدل های حافظه محور (52_14) تمام پایگاه داده های کاربر _ آیتم را برای تولید یک محاسبه بکار می گیرند، روش های مدل محور (73_72_42_23) از، اطلاعات محتوا و جمعیتی برای ایجاد یک مدلی که توصیه هایی را تولید می کند استفاده می کند...