پروژه 24

پروژه بهبود صحت سیستم‌های توصیه‌گر با استفاده از یادگیری ترکیبی در زمینه هوش مصنوعی

این فایل دارای توضیحات کامل + به همراه کد های مربوطه + آموزش های مربوطه می باشد

تعداد صفحات: 60

فرمت: PDF - cod - Matlab

با رشد روز افزون اینترنت و شبکه های رایانه ای، جامعه دستخوش دگرگونی هایی در تمامی زمینه ها شده است . خریدهای خود را به صورت برخط ¹ انجام میدهیم، اطلاعات مورد نیاف را اف طریق موتورهای جستجو جمع آوری میکنیم، و بخش قابل توجهی از زندگی اجتماعی ما به اینترنت و شبکه های اجتماعی وابسته است. از طرفی با توجه به حجم بسیار زیاد اطلاعات، فرایند تصمیم گیری، انتخاب اطلاعات یا پیدا کردن کالای مورد نظر برای کاربران دشوار شده است و نیاز به سیستم هایی داریم تا بتوانند مناسب ترین خدمات و محصولات را به کاربر توصیه کنند، سیستم هایی که این وظیفه را انجام می دهند سیستم های توصیه گر نامیده میشوند. سیستم های توصیهگر پیش نهادگر با تحلیل رفتار کاربران و جمع آوری اطلاعات آنان ، توصیه هایی متناسب با نیاز کاربران پیشنهاد میدهند. یکی از الگوریتم های به کار رفته در این سیستم ها ،روش پالایش مشارکتی می باشد . مهمترین بخش الگوریتم پالایش مشارکتی به تعیین شباهت بین کاربران اختصاص دارد . در تمامی روش های تعیین شباهت از یک مجموعه همسایگی برای انجام پیشنهاد استفاده میشود . اما به دلیل خلوت بودن ماتریس امتیازات و مشکل شروع سرد² ممکن است در کاربران همسایه ی کاربر فعال، هیچ وردی به آیتم مورد نظر امتیاز نداده باشد . در این پژوهش در صورت یافت نشدن امتیاز به آیتم مورد نظر در میان همسایگان، امتیاز داده شده به آیتم مورد نظر را به صورت یک سری زمانی درآورده و با استفاده از این سری عمل پیشبینی را انجام میدهیم. به منظور بهبود نتایج پیشبینی، از یادگیری ترکیبی مبتنی بر انفیس³ سیستم عصبی فازی تطبیقی ا ستفاده میکنیم. همچنین ضریب همبستگی پیرسون ⁴ برای تعیین شباهت در یافتن مجموعه همسایگی بهینه ، بهبود می یابد. آزمایشات بر روی مجموع هداده ^MovieLens انجام گرفته است.

فهرست مطالب

1 فصل 1: مقدمه

1-1-مقدمه2

1-2-بیان مسئله 3

1-3-اهمیت پژوهش 6

1-4-اهداف پژوهش 6

فصل 2

مبانی تئوری 8

2-1- مقدمه9

2-2- تاریخچه سیستمهای پیشنهادگر 9

2-3- مدل سیستمهای پیشنهادگر 10

2-3-1- پالایش محتوا محور 10

2-3-2- پالایش مشارکتی 12

2-3-3- روشهای ترکیبی 13

2-4- معروی انواع معیارهای شباهت مرسوم 14

2-4-1- ضریب همبستگی پیرسون 14

2-4-2- معیار شباهت کسینوسی 15

2-5- معروی انواع توابع پیش بینی 16

2-6- سیستمهای فازی 17

2-7- سیستم عصبی فازی تطبیقی انفیس- anfis

2-8- یادگیری ترکیبی 20

فصل 3

مروری بر کارهای گذشته 21

3-1- مقدمه22

3-2- فمان در سیستمهای پیشنهادگر 22

3-3- معیار شباهت در سیستمهای پیشنهادگر 23

3-4- کارهای مربوط به سیستم عصبی فازی تطبیقی 28

فصل 4

معرفی روش پیشنهادی 29

4-1- مقدمه30

4-2- معروی رو پیشنهادی 31

4-3- جریان کاری رو پیشنهادی 34

فصل 5

نتایج ارزیابی 35

5-1- مقدمه36

5-2- مجموعه داده 36

5-3- معیارهای ارفیابی 37

5-3-1- میانگین قدرمطلق خطا 37

5-3-2- درصد صحیح موارد پیشبینی شده 37

5-4- نتایج تجربی 38

فصل 6

نتیجه گیری و پیشنهادات 44

6-1- نتیجه گیری 45

6-2- کارهای آینده