[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور پژوهشی::
آموزش الکترونیکی::
پردیس شماره 2::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
::
ورود به سایت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌اید؟

..
دفاعیه کارشناسی ارشد

دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: محمد بختیاری ::
 | تاریخ ارسال: ۱۳۹۵/۲/۴ | 

AWT IMAGE

آقای محمد بختیاری دانشجوی کارشناسی ارشد آقای دکتر آنالویی روز یکشنبه  95/02/05 ساعت 17:00 در اتاق دفاع دکتری واقع در طبقه دوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان "سامانه پیشنهاد دهنده با استفاده از مدل سازی امتیازات ضمنی کاربران با شبکه بیز" دفاع می نمایند.

چکیده

با توجه به انباشت اطلاعات دربارهی کالا و خدمات مختلف در بستر اینترنت، بروز سامانه‌های پیشنهاد دهنده، بسط و گسترش آنها امری طبیعی می‌باشد. تمرکز ما در این پژوهش بروی فیلم بوده که تنوع فراوانی دارد. بنابراین یافتن فیلم دلخواه برای کاربر با توجه به گستردگی گزینه‌ها و زمان اندک نیاز به سامانه پیشنهاد دهنده در این حوزه را توجیه می کند.

لذا در این پژوهش در پی مدل سازی شباهت فیلم های مختلف با استفاده از توصیف متنی آنها و گونه های سینمایی مربوطه می باشیم. از اینرو اقدام به طراحی و پیاده سازی دو مدل بیزی مولد جهت اکتساب تشابه فیلم ها نموده ایم. مدل‌های ارائه شده در دسته مدل‌های تاپیکی قرار گرفته و ماحصل آنها توزیع فیلم ها بروی تاپیک های مختلف می باشد. از توزیع بدست امده توسط مدل‌های ارائه شده برای تغذیه مناسب مدل پس نمایی مشارکتی تاپیک ها، در راستای یادگیری فضای نهان آیتم ها برای پیش بینی مورد پسند واقع شدن آیتم توسط کاربر، استفاده می‌کنیم.

برای ارزیابی مدل CTR از بخشی از مجموعه داده movielens-10M100K استفاده کرده که 98.2 درصد تنک بوده و مجموعه داده ای ابعاد بزرگ و بسیار نا متعادل می باشد. بدون حذف کاربران غیر رایج به دقت و بازخوانی قابل قبولی برای CTR بدست می اوریم. تاپیک های حاصل از مدل‌های ارائه شده در این پژوهش، ضمن حفظ نتایج رقابتی در پیش بینی درون ماتریسی، باعث بهبود قابل توجه در پیش بینی برون ماتریسی می شوند. 

Abstract

In the growth of social networks with presence of huge product and services choices for users, the recommendation systems have a prominent role in finding interested items for users.

In this thesis we focus on movie recommendation and propose two topic models to finding similarity of movies by modeling movie plots and genres. The models find topics that have been well structured in term of movie contents. Meanwhile we use CTR model that can be factorize user-item matrix to learn user and item latent features, respectively. The CTR can use topics that achieve from topic models, to learn item latent features appropriately.

So our proposed model find topic proportions in movies and use it to feed CTR for recommendation task. We use movie plot corpus to learn topics and movielense-10M100k rating dataset that is 98.2% spars, large scale and highly imbalance dataset, to evaluate CTR model. Finally we show that modeling of movie genres, in addition of movie plots, can improve CTR in tem of recall and precision in out-of-matrix prediction


دانشجو:

محمد بختیاری

   رشته مهندسی فناوری اطلاعات – شبکه­ های کامپیوتری

استاد راهنما: جناب اقای دکتر آنالویی

استاد داور داخلی: جناب اقای دکتر مینایی

استاد داور خارجی: جناب اقای دکتر نیک ابادی

  تاریخ دفاع: یکشنبه 05 اردیبهشت ماه 95

  زمان:ساعت 17:00

 

  مکان: دانشکده مهندسی کامپیوتر- طبقه دوم- اتاق دفاع دکتری

 از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

 

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

 

 

 

 

 

دفعات مشاهده: 1374 بار   |   دفعات چاپ: 242 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
School of Computer Engineering
Persian site map - English site map - Created in 0.28 seconds with 969 queries by yektaweb 3475