Powerpoint - Copy

1.

‫دانشگاه آزاد‬
‫اسالمی‬
‫واحد الهیجان‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از‬
‫الگوریتم کا‪-‬نزدیکترین همسایه‬
‫ارائه کننده‪ :‬میثم سعیدی فرید‬
‫استاد راهنما‪ :‬دکتر عبدالرضا رضاپور‬
‫داوران‪:‬‬

2.

‫فهرست مطالب‬
‫مقدمه‬
‫نتیجه‬
‫گیری و‬
‫پیشنهاد‬
‫ات‬
‫اهداف‬
‫ارزیابی‬
‫چالش ها‬
‫طرح‬
‫پیشنهاد‬
‫ی‬
‫پیشینه‬
‫پژوهش‬
‫مقایسه‬
‫سیستم ها‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

3.

‫مقدمه‬
‫‪ o‬مقدمه‪:‬‬
‫• بهینه سازی دقت توصیه ها و زمان پاسخ جهت سنجیدن یک‬
‫سیستم توصیه گر بهینه‬
‫‪ o‬پیشینه پژوهش‪:‬‬
‫• ارائه ی روشهای یادگیری ماشین‪ ،‬متنکاوی‪ ،‬فیلترینگ‬
‫مبتنی بر محتوا‪ ،‬فیلترینگ مشارکتی‪ ،‬الگوریتم های‬
‫مبتنی بر شباهت اطالعات و کاربر جهت توصیه ی هوشمند‬
‫مقاالت‬
‫‪ o‬روش پژوهش‪:‬‬
‫• ارائه ی یک روش جهت بهینهسازی بردار جستجو در‬
‫سیستمهای توصیهگر‬
‫• بهبود کیفی نتایج بازیابی توسط سنجش معیار امتیاز‬
‫سیستمتوصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫توصیهیسیستمهای‬
‫بهبود عملکرد‬
‫‪29‬‬

4.

‫بیان مساله‬
‫‪ o‬ضرورت پژوهش‬
‫• نیاز سیستمهای توصیه گر در مورد‬
‫برای دسترس پذیری بهتر مقاالت علمی‬
‫مقاله‬
‫دانشگاهی‬
‫‪ o‬رویکرد پژوهش‬
‫• استفاده الگوریتمهای یادگیری ماشین در سیستمهای‬
‫توصیه گر و توسعه ی آن‬
‫• عملکرد بهتر در یافتن مقاالت مشابه جهت اتخاذ‬
‫تصمیمات بهتر‬
‫‪ o‬نوآوری پژوهش‬
‫• تعیین فاصله ی مستندات با سیستم وزن دهی پیشنهادی‬
‫• ارائه ی یک روش ترکیبی با ادغام روش های فیلترینگ‬
‫مشارکتی و تحلیل محتوا‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

5.

‫اهداف‬
‫‪ o‬شناسایی روند بکارگیری الگوریتمهای یادگیری ماشین‬
‫در سیستمهای توصیه گر‬
‫‪ o‬ارائه‬
‫راهکاری‬
‫بهینه‬
‫برای‬
‫افزایش‬
‫دقت‬
‫توصیهگر در یافتن مستندات با استفاده از‬
‫‪ o‬کمک‬
‫به‬
‫محققان‬
‫جدید‬
‫برای‬
‫قرارگیری‬
‫سیستمهای‬
‫‪K-NN‬‬
‫در‬
‫موقعیت‬
‫تحقیقاتی جدید با پیشنهاد مقاالت مرتبط‬
‫انبوهکا‪-‬مقاالت‬
‫پردازش‬
‫عملیاتبادر‬
‫خودکارسازی‬
‫‪o‬‬
‫نزدیکترین همسایه‬
‫الگوریتم‬
‫استفاده از‬
‫های توصیهگر‬
‫بهبود عملکرد سیستم‬
‫‪29‬‬

6.

‫چالش ها‬
‫‪ ‬کمبود اطالعات‬
‫‪ ‬آسیب پذیری در برابر حمالت‬
‫‪ ‬مقیاس پذیری‬
‫‪ ‬ارزش زمان‬
‫‪ ‬شروع سرد‬
‫‪ ‬ارزیابی توصیه گرها‬
‫‪ ‬تنوع و دقت‬
‫‪ ‬واسط کاربری‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

7.

‫سیستم های توصیهگر‬
‫‪ o‬توصیه ی موارد به کاربران با استفاده از روش های هوش‬
‫مصنوعی‬
‫‪ o‬بررسی فعالیتهای گذشته کاربران به عنوان بخش مهمی از‬
‫داده ها‬
‫‪ o‬سه گروه اصلی سیستمهای توصیهگر‪:‬‬
‫• فیلترینگ مشارکتی‪ :‬عبارت است از در نظر گرفتن داده‬
‫های کاربر هنگام پردازش اطالعات برای توصیه‬
‫• فیلترینگ مبتنی بر محتوا‪ :‬یعنی پایه گذاری توصیه‬
‫های ‪RS‬ها بر روی داده های در دسترس از کاربر‬
‫• فیلترینگ ترکیبی‪ :‬یعنی ترکیب دو دسته ی مشارکتی و‬
‫مبتنی بر محتوا‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

8.

‫مقایسه سیستم های پیشین‬
‫نویسندگان‬
‫سال‬
‫دیتاست‬
‫هورتادوو‬
‫همکاران‬
‫‪2019‬‬
‫و‬
‫‪SD4AI‬‬
‫‪Movielens‬‬
‫مزایا‬
‫روش‬
‫خوشه بندی فازی‬
‫‪ Means‬برای تقسیم‬
‫اطالعات مشابه‬
‫‪C-‬‬
‫بهبود دقت‬
‫فیلترهای مشترک‬
‫سون و‬
‫همکاران‬
‫‪2018‬‬
‫داده های‬
‫گوگل‬
‫اسکوالر‬
‫شبکه های استنادی‬
‫چند سطحی‬
‫اثبات نظری روش‬
‫با مدل های ریاضی‬
‫اورتگا و‬
‫همکاران‬
‫‪2018‬‬
‫‪SD4AI‬‬
‫روش فاکتورسازی‬
‫ماتریس احتمالی‬
‫تعیین‬
‫کاردینالیتی هر‬
‫مقاله بر اساس‬
‫موضوع‬
‫مقایسه ی برخی از پژوهش های پیشین در زمینه سیستم‬
‫های توصیه گر مقاله‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

9.

‫طرح پیشنهادی‬
‫نمودار بلوکی از روش فیلترینگ پیشنهادی در یک‬
‫سیستم توصیهگر‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

10.

‫طبقهبند ‪-K‬نزدیکترین همسایه در روش پیشنهادی‬
‫طبقهبندی نمونهی جدید با مقادیر‬
‫متغیر ‪K‬‬
‫مثالی از طبقهبندی روش ‪K-‬نزدیکترین‬
‫همسایه‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

11.

‫مجموعه دادگان پژوهش‬
‫تعداد مقاله‬
‫‪14143‬‬
‫تعداد عنوان‬
‫تعداد رتبه بندی‬
‫پراکندگی‬
‫بازه‬
‫‪18502‬‬
‫‪1389094‬‬
‫‪%99.47‬‬
‫‪ 1‬تا ‪ ،160‬با گام ‪0.25‬‬
‫اندازه و ترکیب دیتاست ‪sd4ai‬‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

12.

‫ارزیابی‬
‫وضعیت تشابه موضوعات مقاالت در مجموعه دادگان ‪sd4ai‬بر‬
‫اساس کاردینالیتی‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

13.

‫ارزیابی‬
‫روند رشد بردار جستجو در سیستمهای توصیهگر با روش استخراج کلید‬
‫واژه‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

14.

‫ارزیابی‬
‫روند رشد بردار جستجو در سیستمهای توصیهگر با روش فیلترینگ‬
‫پیشنهادی‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

15.

‫ارزیابی‬
‫طبقه بندی ‪ K-NN‬با فیلترینگ‬
‫پیشنهادی‬
‫‪60.83‬‬
‫‪0.4‬‬
‫طبقه بندی ‪ K-NN‬روی تمام‬
‫کلید واژه ها‬
‫‪51‬‬
‫‪0.446‬‬
‫معیارها‬
‫دقت طبقه بندی‬
‫میانگین خطای‬
‫مطلق‬
‫دقت طبقه شباهت‬
‫‪40.81‬‬
‫‪61‬‬
‫پایین‬
‫دقت طبقه شباهت‬
‫‪66.92‬‬
‫‪54.55‬‬
‫معنادار‬
‫دقت طبقه شباهت‬
‫‪24.44‬‬
‫‪20‬‬
‫باالر‬
‫مقایسهی نتایج طبقهبندی ‪ K-NN‬با روش فیلترینگ پیشنهادی و روش فیلت‬
‫جامعیت طبقه‬
‫‪66‬‬
‫‪98.92‬‬
‫ها‬
‫تمام کلید واژه‬
‫شباهت پایین‬
‫جامعیت طبقه‬
‫‪43.5‬‬
‫‪3.47‬‬
‫شباهت معنادار‬
‫الگوریتم کا‪-‬نزدیکترین همسایه‬
‫بهبود عملکرد‬
‫سیستمهای توصیهگر با استفاده از ‪3.49‬‬
‫‪0.32‬‬
‫جامعیت طبقه‪29‬‬
‫شباهت باال‬

16.

‫ارزیابی‬
‫مقایسهی زمان محاسباتی دو روش فیلترینگ پیشنهادی و‬
‫روش فیلتر کلیدواژهها‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

17.

‫ارزیابی‬
‫میانگین‬
‫خطای مطلق‬
‫دقت‬
‫طبقه‬
‫بندی‬
‫درخت تصمیم‬
‫‪60.43‬‬
‫‪0.495‬‬
‫کا‪-‬‬
‫‪60.6‬‬
‫‪0.4‬‬
‫نزدیکترین‬
‫همسایه‬
‫طبقهبندی‬
‫‪ -0.593‬مقایسهی‬
‫جدول‪3‬‬
‫ساده‬
‫نتایج بیز‬
‫‪38.08‬‬
‫پیشنهادی‬
‫عصبی‬
‫فیلترینگشبکه ی‬
‫‪K-NN‬با روش ‪60.53‬‬
‫‪0.4‬‬
‫و روش فیلتر تمام کلید واژهها‬
‫شکل‪ -8‬مقایسهی دقت طبقهبندی الگوریتمهای یادگیری‬
‫ماشین روی بردار ویژگی پیشنهادی‬
‫بهبود عملکرد سیستمهای توصیهگر با استفاده از الگوریتم کا‪-‬نزدیکترین همسایه‬
‫‪29‬‬

18.

‫ارزیابی‬
‫