ارائه ­دهنده:
محمدرضا حاتمیان

  استاد راهنما:
دکتر حسن نادری

  هیات داوران:

دکتر عین اله خنجری ؛ دکتر سید حسین خواسته؛

زمان : ۲۹ شهریور ماه ۱۴۰۲

  ساعت ۱۷:۰۰

چکیده پایان نامه :
 

سیستم‌های توصیه‌گر یکی از مدل‌های محبوب برای ایجاد تصمیم‌گیری‌های خودکار هستند؛ این سیستم‌ها به کمک انسان آمده‌اند تا با شناسایی داده‌های مرتبط با آیتم‌ها و کاربران، سرعت انتخاب انسان را با ارائه پیشنهادات مناسب بالاتر ببرند. یکی از چالش‌های اصلی در این زمینه مربوط به پیشنهاد‌های ضعیفی است که از سوی این سیستم‌های توصیه‌گر برای مواجهه با آیتم‌ها وکاربران اتفاق می افتد؛ این مشکلات در زمانی که از روش پالایش گروهی مبتنی بر حافظه با وجود استفاده از معیار‌های شباهت بیشینه می‌شوند که در نهایت منجر به بروز مسئله شروع سرد نیز می‌گردد.
روش‌های مختلفی برای حل این مشکلات معرفی شده است. از جمله این موارد می‌توان به سیستم‌های توصیه‌گر ترکیبی درحل‌ چالش‌های مربوط به سیستم‌های توصیه‌گر سنتی اشاره کرد. در استفاده از روش‌های ترکیبی چندین توصیه‌گر بر اساس ترکیب امتیازدهی، رتبه‌بندی و فیلترینگ انجام می‌گیرد.
با بهره‌بردن از نقاط قوت چند سیستم توصیه‌گر می‌تواند عملکرد کلی بهتری از سیستم توصیه‌گر دریافت کرد و در نهایت نمایش مناسبی از آیتم‌ها حاصل شود. استفاده از تکنیک‌های متن‌کاوی همراه با سیستم‌های توصیه‌گر یکی از برترین روش‌ها برای حل مشکلات ذکر شده می‌باشد.
دراین پروژه قصد داریم با استفاده از داده‌کاوی، متن گزارشات کاربران را با انجام مراحل پیش‌پردازش‌متن، دسته‌بندی و سپس با برچسب‌گذاری داده‌های ساخت یافته و ترکیب نتایج حاصله با سیستم توصیه‌گر مبتنی بر محتوا و سیستم پالایش‌گروهی یک مدل ترکیبی سوییچ‌کننده جدید برای حل مشکلات مربوط به ضعف پیشنهاد‌‌دهی در آیتم‌ها برسیم.
در آخر نتایج این آزمایش‌ها نشان می‌دهد که در نظر گرفتن این مدل مخصوصا در مورد مطالعاتی برنامه ریزی فعالیت‌های صنعتی منجر به افزایش کارایی سیستم توصیه‌گر می شود؛ همچنین وب سرویسی مبتنی بر این مدل برای ارائه به برنامه‌ریزان و کاربران صنعتی ایجاد شده که نمونه‌سازی روش پیشنهادی را نشان می‌دهد.
واژه‌های کلیدی: سیستم توصیه‌گر، متن‌کاوی، معیارهای شباهت، برنامه‌ریزی فعالیت‌های صنعتی.