دانلود پایان نامه درباره الگوی مصرف

استفاده میشود. تعداد تکرار ۵۰۰ مرتبه است. با افزایش تعداد تکرار از مقدار ذکرشده، تغییر قابلتوجهی در خروجیهای مساله ایجاد نشد. سطر آخر جدول، فرمولی است که برای شناسایی نرونهای همسایه نرون برنده بهکار رفتهاست. همانطور که اشارهشد، در هر دور تکرار، علاوهبر بردار وزن نرون برنده، بردار وزن همسایههای آن نیز بهروز میشود. بنابراین باید راهی برای شناسایی دایره همسایگی وجود داشتهباشد.
جدول ۶-۱: مشخصات شبکه نقشه خودسازمانده در مرحله شناسایی کاربران مشابه در روش سنتی
هر کدام از مجموعه دادههایی که از این پس در رابطه با آنها بحث میشود بهطور تصادفی به دو قسمت ۸۰% (مجموعه آزمایشی) و ۲۰% (مجموعه تصادفی) تقسیم شده و عملیات خوشهبندی و تعیین پیشنهادات برتر با استفاده از مجموعه آزمایشی انجام گرفتهاست. سپس نتایج بدست آمده با دادههای موجود در مجموعه تست مقایسه گردیده و مقدار شاخص F1 محاسبه شدهاست.
میانگین فاکتورF1 برای ۱۰۰کاربر از مجموعهداده جمعآوریشده شماره (۱) و برای ۵، ۱۰، ۱۵، ۲۰، و ۲۵ و ۳۰ محصول برتر پیشنهادی محاسبه و در شکل ۶-۴ نمایش دادهشدهاست.
شکل ۶-۴: میانگین شاخص F1 در روش پیشنهاددهی سنتی در مجموعه داده شماره(۱)
همچنین بهمنظور مشاهده نتایج پیشنهاددهی در خوشههای مختلف بهطور مجزا و مشاهده تجربی میزان پراکندگی نسبی شاخص F1 در هر خوشه، میانگین فاکتور F1 برای ۱۰ کاربر از هر خوشه و برای پنج محصول برتر پیشنهادی در مجموعه داده شماره (۱) محاسبه شدهاست و نتایج مرتبط در شکل ۶-۵ مشاهده میشود.
شکل ۶-۵ : میانگین شاخص F1 برای خوشههای مجزا در مجموعه داده شماره (۱)
مشابه این دو نمودار برای مجموعه داده شماره (۲) نیز بدست آمده است که نمودارهای آن را در اشکال ۶-۶ و ۶-۷، مشاهده میکنید.
شکل ۶-۶: میانگین شاخص F1 در روش پیشنهاددهی سنتی در مجموعه داده شماره(۲)
شکل ۶-۷ : میانگین شاخص F1 برای خوشههای مجزا در مجموعه داده شماره (۲)
۶-۳-۲ پیادهسازی روش پیشنهاددهی چندبعدی
در این مرحله روش چندبعدی پیشنهادشده در بخش ۵-۴ پیادهسازی شدهاست. این روش از سه مرحله ۱) شناسایی الگوی مصرف کاربران در شرایط زمینهای متفاوت، ۲) ایجاد فضای جدید پیشنهاددهی دو بعدی و ۳) اعمال الگوریتم پیشنهاددهی به شیوه سنتی در فضای دوبعدی بدست آمده، تشکیل شدهاست. در مرحله شناسایی الگوی مصرف کاربران و همچنین در مرحله عملیات پیشنهاددهی برای شناسایی کاربران مشابه، مراحل (۱) و (۳) از روش پیشنهادشده چندبعدی، نیز از نقشه خودسازمانده استفادهشدهاست.
در مرحله شناسایی الگوی مصرف کاربران که اولین مرحله از روش چندبعدی پیشنهاددهی است، زمینههای متفاوتی که برای سیستم تعریفشده هستند خوشهبندی میشوند. خوشهبندی زمینهها برای هر کاربر بهصورت مجزا انجام میشود. این خوشهبندی با استفاده از امتیازاتی که توسط کاربر در شرایط زمینهای مختلف تعریف شده برای سیستم به اقلام متفاوت داده شده است، انجام میگیرد. پس بردارهای ورودی شبکه خودسازمانده که در مرحله شناسایی الگوی مصرف برای هر کاربر استفاده میشود، معرف شرایط زمینهای متفاوت هستند که در یک فضای p- بعدی، که p تعداد کالاها را مشخص میکند (در این تحقیق، p برابر با ۴۰۰ است)، تعریف میشوند.
پس از شناسایی الگوی مصرف، به تعریف فضای جدید پیشنهاددهی پرداخته میشود. فضای جدید پیشنهاددهی در ساختاری رابطهای با شکل ۶-۸ ذخیره میشود. مجموعه روابط New_User، New_Rating و Food ، یک فضای پیشنهاددهی جدید دوبعدی را تشکیل میدهد. هر زمان که سیستم پیشنهاددهنده بخواهد پیشنهاد جدیدی را به کاربری خاص ( با شناسه uid از رابطه User) در یک شرایط زمینهای بهخصوص (با شناسه csid از رابطه Context-Situations) ارائهکند، از طریق روابط Context_Clusters و Context_Situations، شناسه معادل کاربر را در رابطه New_User شناسایی میکند و پیشنهادات را برای این کاربر در فضای جدید بدست میآورد.
و در مرحله سوم از روش پیشنهاددهی، با استفاده از شبکه خودسازمانده یک عملیات پیشنهاددهی مبتنی بر فیلترسازی مشارکتی در این فضا انجام میشود. در این مرحله، هدف خوشهبندی کاربران است. بردارهای ورودی شبکه، توصیفگر کاربران جدید تعریفشده برای سیستم میباشند که در یک فضای p- بعدی، که p تعداد کالاها را مشخص میکند (در این تحقیق، p برابر با ۴۰۰ است)، تعریف میشوند.
با بررسی تاثیر تغییر تعداد ندها از ۲ تا ۱۵ در مرحله شناسایی الگوی مصرف و از ۵ تا ۲۰ در مرحله شناسایی کاربران مشابه در لایه کوهنن، بر روی معیار F1، مقدار بهینه تعداد ندها در مرحله شناسایی الگوی مصرف، ۶ ند و در مرحله شناسایی کاربران مشابه، ۱۲ ند تشخیصدادهشد. در واقع در مرحله شناسایی الگوی مصرف، تعداد بردارهای شبکه نقشه خودسازمانده عبارت است از ۳۳۶ بردار (حاصلضرب مقادیر ابعاد روز، زمان، همراه و آبوهوا) که در نهایت برای هر کاربر در ۶ خوشه، قرار میگیرند. در مرحله شناسایی کاربران مشابه، ۱۹۸۰ بردار ورودی معادل ۱۹۸۰ کاربر جدیدی که برای سیستم تعریف شدهاند (حاصلضرب مقدار ۳۳۰، تعداد کاربران قبلی، در ۶، تعداد خوشههای جدید)، تعریف میشود.سایر مشخصات نقشه خود سازمانده در هر دو مرحله در جدول ۶-۲ خلاصهشدهاست.
شکل۶-۸: ساختار رابطهای نهایی برای نگهداری اطلاعات سیستم پیشنهاددهنده
میانگین فاکتورF1 برای ۱۰۰کاربر و برای ۵، ۱۰، ۱۵، ۲۰، و ۲۵ و ۳۰ محصول پیشنهادی محاسبهشدهاست.(شکل ۶-۹ )
همچنین بهمنظور مشاهده نتایج پیشنهاددهی در خوشههای مختلف بهطور مجزا و مشاهده تجربی میزان پراکندگی نسبی شاخص F1 در هر خوشه، میانگین فاکتور F1 برای ۱۰ کاربر انتخابشده بهصورت تصادفی از هر خوشه و برای پنج محصول برتر پیشنهادی نیز محاسبهشدهاست که نتایج مرتبط در شکل (۶-۱۰) مشاهده میشود.
جدول ۶-۲: مشخصات شبکه نقشه خودسازمانده در مراحل شناسایی الگوی مصرف و شناسایی کاربران مشابه

نظری بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *