عنوان کامل پروژه:
پروژه بهبود سیستمهای پیشنهاددهنده با استفاده از روشهای محاسبه شباهت، خوشهبندی و دستهبندی با R Programming و به همراه فیلم آموزشی R Programming
سیستمهای پیشنهاددهنده یا RSها با هدف ارائه پیشنهادهای شخصیسازی شده و مطابق با سلایق کاربر برای معرفی اقلامی مانند تجهیزات نظامی و کتاب و موسیقی و سایر موارد استفاده میشوند. روشهای رایجی برای طراحی این سیستم ها شامل روشهای مدل مبتنی بر محتوا و دیدگاه فیلترسازی مشارکتی میباشد. در این طرح سعی بر این میباشد تا روشی را برای بهبود عملکرد این سیستمها در مواجه و حل یکی از بزرگترین مشکلها در سیستمهای پیشنهاد دهنده با عنوان شروع سرد ارائه کنیم. این مشکل در هنگام ورود و ثبت کاربر جدید و یا اقلام جدید بوجود میآید. بعنوان مثال هنگامی که کاربر جدید وارد سیستم میشود، سیستم بدلیل عدم در دسترس بودن سوابق کاربر، و نداشتن اطلاعتی در مورد سلایق، امکان پیشنهاد اقلام جدید به صورت دقیق به کاربر را ندارد. در این طرح مدلی را ارائه میکنیم که با استفاده از الگوریتمهای خوشهبندی، دستهبندی و محاسبه شباهت و همچنین با استفاده از روشهای پیشگویی بتوانیم پیشنهاد مناسب و دقیقی رابه کاربران جدید ارائه کنیم. در این طرح با استفاده از الگوریتم دستهبندی C5.0 مبتنی بر دیدگاه فیلترسازی مشارکتی خالص و همچنین با کمک اطلاعات جمعیتی کاربر به پیدا کردن کاربرانی با پسزمینه مشابه، میپردازیم.
در این طرح از مجموع داده تهیه شده توسط گروپ لنز با عنوان موویلنز استفاده کردهایم و با نمایش نتایج آزمایشها، بهبود عملکرد سیستم پیشنهاددهنده و کاهش میزان خطای پیشبینی را در هنگام پیشنهاد به کاربران جدید، در شرایط مختلف نشان میدهیم.
مشخصات کلی | |
تعداد صفحات | 49 |
حوزه تخصصی رشته 1 | داده کاوی |
تعداد صفحات محصول | 40-60 |
فیلم آموزشی | دارد |
معرفی متغیر های ورودی نرم افزار | دارد |
نمودارهای خروجی | دارد |
زبان برنامه نویسی | |
زبان برنامه نویسی اول | R Programming |
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcu.Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcuLorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcu.