مارس 2017

بازشناسي چهره در يك جمله بدين صورت تعريف مي شود: اخذ تصوير چهره و شناسايي آن با توجه به نمونه‌هايي كه قبلاً به سيستم آموزش داده شده است. تحقيقات در زمينه بازشناسي چهره داراي قدمتي در حدود نيم قرن مي باشد. هر ساله تعداد مقالات علمي كه در اين زمينه منتشر مي شود، افزايش يافته […]

روند کار سیستم­های محتوا محور به این صورت است که ابتدا براساس نحوه­ امتیازدهی کاربر به اقلام مختلف، نمایه­ای از علائق او ساخته می­شود. سپس بر اساس میزان تطابق خصوصیات اقلام با نمایه ساخته شده از کاربر، پیشنهادها به کاربر ارائه می­شود. ساختار سیستم­های پیشنهادگر محتوا محور در شکل زیر نشان داده شده است. همانگونه

  فیلترینگ اشتراکی علاوه بر کاربرد وسیع آن و مزایایی که از آن برخوردار است شامل معایبی نیز می­باشد که در ادامه به توضیح تعدادی از آنها می­پردازیم. 2-10-1- پراکنده بودن داده[1] وقتی ماتریس کاربران – اقلام پراکنده و سایز آن بزرگ باشد این مشکل به وجود می­آید. کاربرانی هستند که به همه­ اقلام امتیاز

تشخیص میزان علائق کاربران نسبت به اقلام متفاوت یکی از مهم­ترین وظایف فیلترینگ اشتراکی می­باشد. هر بار که کاربری در مورد قلمی خاص ابراز علاقه می­کند مقدار جدیدی در نمایه­ او اضافه می­شود. به دو صورت صریح و ضمنی می­توان علائق کاربر را استخراج نمود. 2-6-1- تشخیص علائق به صورت صریح برای این منظور سیستم­های

متدهای فیلترینگ اشتراکی به دو گروه کلی فیلترینگ اشتراکی مبتنی بر همسایگی[1] یا مبتنی بر حافظه[2] و فیلترینگ اشتراکی مبتنی بر مدل[3]  تقسیم می­شوند.[12] الگوریتم­های موجود در گروه فیلترینگ اشتراکی مبتنی بر همسایگی یا مبتنی بر حافظه نسبت به الگوریتم­های موجود در فیلترینگ اشتراکی مبتنی بر مدل رایج­تر می­باشند اما قابل ذکر است که این

وظایف فیلترینگ اشتراکی به دو دسته­ ارائه­ پیشنهاد به کاربران و پیش­بینی امتیاز اقلام دیده نشده تقسیم می­شوند که در ادامه هر کدام را به تفکیک توضیح خواهیم داد. پیشنهاد در این حالت لیستی از اقلام به کاربران ارائه می­شود که بر حسب میزان مفید بودنشان برای کاربر مرتب شده­اند. یعنیN  مورد از بهترین پیشنهادات

فیلترینگ اشتراکی یکی از بهترین راهکارها در سیستم­های پیشنهادگر می­باشد. این روش به خاطر استفاده­اش در سایت­های تجارت الکترونیک مانند  AMAZOONو NETFLIX به خوبی شناخته شده است. این متد کاربرانی که علائق­شان شبیه به کاربر فعال می­باشند را پیدا کرده و از این طریق پیشنهادات را به او ارائه می­دهد. یعنی فرض بر این است

تست فریدمن [52]، یک تست نا پارامتری­ است[1]. این تست الگوریتم­ های گوناگون را روی هر مجموعه داده به صورت جداگانه، رتبه ­بندی می­کند. بهترین الگوریتم رتبه یک، دومین بهترین الگوریتم، رتبه دو و به همین ترتیب الی آخر. در موارد مساوی، میانگین رتبه­ها به الگوریتم ­ها اختصاص می­یابد. فرض کنیم که ، رتبه الگوریتم ام