modularity maximization

یکی از الگوریتم هایی که برای تشخیص اجتماعات در شبکه های اجتماعی به کار برده می شود modularity maximization ماکزیمم کردن ماژولاریتی است.

سیستم های پیشنهاددهنده در شبکه های مبتنی بر اعتماد
خوشه بندی طیفی

این مقاله در اولین همایش ملی نقش دانشگاه های نسل سوم در اقتصاد مقاومتی در دانشگاه علمی کاربردی زنجان ارائه شده است

چکیده:

شبکه های اجتماعی مجازی فرصت های جدیدی را برای کسب و کارهای الکترونیک فراهم کرده اند تا از محاورات اجتماعی در اینترنت در زمینه های مختلف کسب و کار اینترنتی بهره مند شوند. در این میان سیستم های توصیه گر با ارائه پیشنهادهای خرید با در نظر گرفتن تاریخچه خرید مشتریان و علایق آنها نقش به سزایی در بهبود کسب و کار اینترنتی ارائه می نمایند. در این مقاله قصد داریم مسئله تاثیر روابط اجتماعی در صحت پیشنهادهای ارائه شده توسط سیستم‌های توصیه گر کالا را بررسی کنیم. برای این منظور سعی کردیم از روش خوشه بندی طیفی۱ استفادهه کنیم به طوری که افرادی که بیشتر با هم در تعامل و ارتباط هستند در داخل یک خوشه قرار بگیرند. فرض ما بر این است که افراد درون یک خوشهه از آنجاییکه بیشتر با هم در ارتباط‌اند در نتیجه علاقه‌مندی‌هایشان در مورد کالاهای مختلف به هم شبیه است و این مسئله منجر به بهبود صحت سیستم پیشنهاددهنده خواهد شد. لذا پس از تشخیص خوشه‌ها (اجتماعات) الگوریتم فیلترینگ تعاونی ۲را بر روی اعضای خوشه بکار برده و نتایج را با زمانی که بخواهیم از خوشه‌ها استفاده نکنیم مقایسه کرده‌ایم. روش پیشنهادی بر روی مجموعه داده Epinion پیاده سازی شده است کهه نتایج حاصل از آزمونها بیانگر بهبود صحت سیستم توصیه گر است.

تعداد صفحات: ۵ صفحه

اندازه فایل: ۸۳۶ کیلوبایت

سورس کد الگوریتم خوشه بندی طیفی که در این مقاله از آن استفاده شده است از اینجا قابل دانلود می باشد.

جهت خرید این فایل  دکمه‌ی “پرداخت” را بزنید. بعد از پرداخت از درگاه زرین پال، لینک دانلود به آدرس ایمیل شما ارسال خواهد شد و همین طور می توانید مستقیما فایل را دانلود نمایید .

نکته : جهت دانلود راحت تر از Download Manager استفاده کنید تا در صورت قطع شدن ارتباط در طول دانلود بتوانید روند دانلود را مجدداً ادامه دهید. ضمناً لینک دانلود به مدت ۳ روز معتبر خواهد بود

۵۰۰۰ تومان – خرید
سیستم های توصیه گر در شبکه های اجتماعی

سیستم های توصیه گر در شبکه های اجتماعی

این مقاله در اولین همایش سیستم های هوشمند کامپیوتری دانشگاه پیام نور ارائه شده است.

چکیده مقاله سیستم های توصیه گر در شبکه های اجتماعی: جستجو برای خرید کالا در سایت‌های شبکه‌های اجتماعی اغلب برای کاربران کار وقت‌گیری می‌باشد. سیستم‌های تجارت الکترنیک سعی کرده‌اند به منظور کمک به مشتریان در تصمیم‌گیری، سیستم‌های پشتیبانی از تصمیم مبتنی بر وب شخصی شده از قبیل سیستم‌های توصیه گر را معرفی کنند. سیستم‌های پیشنهاد دهنده، پیشنهادهای شخصی شده را بر اساس تاریخچه خرید مشتریان و علایق آنها فراهم می‌کند و از این طریق آنها را در تصمیم‌گیری خرید پشتیبانی می‌کنند. تصمیمات خرید معمولا تحت تاثیر نظرات افرادی است که آنها را می‌شناسیم یا به آنها اعتماد داریم. در این مقاله ما قصد داریم برای کمک به تصمیم گیری خرید کاربران  با استفاده از الگوریتم تشخیص انجمن‌ها در شبکه‌های اجتماعی، کاربرانی که بیشتر با یکدیگر تعامل دارند را خوشه‌بندی نموده و از خوشه‌های ایجاد شده در بهبود عملکرد سیستم پیشنهاد‌دهنده استفاده کنیم و به این ترتیب نقش سیستم های توصیه گر در شبکه های اجتماعی را نشان دهیم

تعداد صفحات: ۶ صفحه

اندازه فایل: ۸۴۳kB

قیمت:۵۰۰۰ تومان

جهت خرید این فایل سیستم های توصیه گر در شبکه های اجتماعی دکمه‌ی “خرید” را بزنید. بعد از پرداخت از درگاه زرین پال، لینک دانلود به آدرس ایمیل شما ارسال خواهد شد و همین طور می توانید مستقیما فایل را دانلود نمایید .

نکته : جهت دانلود راحت تر  فایل سیستم های توصیه گر در شبکه های اجتماعی از Download Manager استفاده کنید تا در صورت قطع شدن ارتباط در طول دانلود بتوانید روند دانلود را مجدداً ادامه دهید. ضمناً لینک دانلود به مدت ۳ روز معتبر خواهد بود

۵۰۰۰ تومان – خرید


این مقاله در پنجمین کنفرانس داده کاوی ایران، دانشگاه صنعتی امیرکبیر ارائه شده است.

چکیده این مقاله:

         معمولا برای خرید کالا با دوستان و آشنایان قابل اعتماد مشورت می‌کنیم و از نظرات و پیشنهادهای آنها در انتخاب کالای مورد نظر استفاده می‌نمائیم. برای پیاده سازی یک سیستم پیشنهاد دهنده، استفاده از روش فیلترینگ تعاونی متداول می باشد. در این روش پیشنهادهای کاربرانی که علایق آنها به ما نزدیک است در نظر گرفته می‌شود. یکی از مشکلات روش فیلترینگ تعاونی، مساله پراکندگی ماتریس کاربر-کالا است. این مشکل ناشی از آن است که کاربران در میان تعداد زیادی از آیتم‌ها، نظر خود را فقط در مورد بخش کوچکی از آنها بیان می کنند. این مساله موجب کم شدن دقت در محاسبه شباهت  بین کاربران و در نتیجه کاهش صحت سیستم پیشنهاد دهنده می‌شود. در این مقاله با استفاده از الگوریتم تشخیص اجتماعات در شبکه‌های اجتماعی، کاربرانی که بیشتر با یکدیگر تعامل دارند را خوشه‌بندی نموده و از خوشه‌های ایجاد شده در بهبود عملکرد سیستم پیشنهاد‌دهنده استفاده می کنیم. با استفاده از مجموعه داده Epinion روش خوشه بندی پیشنهادی و روش های دیگر پیاده سازی و نتایج آنها با یکدیگر مقایسه شده است. نتایج حاصل از آزمونها بیانگر آن است که در نظر گرفتن خوشه‌های ناشی از تعامل اجتماعی افراد در شبکه اجتماعی در بهبود صحت سیستم پیشنهاددهنده موثر است.

تعداد صفحات: ۹ صفحه

اندازه فایل: ۸۸۵kB

قیمت:۵۰۰۰ تومان

جهت خرید این فایل  دکمه‌ی “خرید” را بزنید. بعد از پرداخت از درگاه زرین پال، لینک دانلود به آدرس ایمیل شما ارسال خواهد شد و همین طور می توانید مستقیما فایل را دانلود نمایید .

نکته : جهت دانلود راحت تر از Download Manager استفاده کنید تا در صورت قطع شدن ارتباط در طول دانلود بتوانید روند دانلود را مجدداً ادامه دهید. ضمناً لینک دانلود به مدت ۳ روز معتبر خواهد بود

۵۰۰۰ تومان – خرید