جغرافیا و برنامه ریزی منطقه‌ای

جغرافیا و برنامه ریزی منطقه‌ای

توسعه سامانه توصیه‌گر هوشمند با رویکرد پالایش گروهی بر پایه مدل‌سازی داده‌های جغرافیایی

نوع مقاله : مقاله های برگرفته از رساله و پایان نامه

نویسندگان
طاهره خردمندان 1
فرهاد مردوخی 2
امیر شیخ احمدی 3
1 دانشجوی دکتری گروه کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران
2 استادیار گروه مهندسی کامپیوتر و فنآوری اطلاعات، دانشگاه رازی، کرمانشاه، ایران
3 گروه مهندسی کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران
10.22034/jgeoq.2025.551855.4347
چکیده
هدف اصلی این تحقیق، طراحی و پیاده‌سازی سامانه توصیه‌گر هوشمند با استفاده از داده های مدل‌سازی GIS جهت بالا بردن کیفیت پیشنهادات در سیستم های فروش انلاین می باشد. روش تحقیق انتخا ب‌ شده، روش تحقیق علمی طراحی و آزمایشی است که در آن، در مرحله ارزیابی روش تحقیق علمی طراحی، از طراحی آزمایش استفاده شده است. برای بهبود عملکرد سامانه توصیه‌گر هوشمند، از برچسب‌های گذاشته ‌شده توسط کاربران و الگوریتم شبکه‌های عصبی عمیق به همراه مدل‌سازی GIS برای تولید توصیه ها استفاده شده است. در آزمایش طراحی و انجام شده، سامانه توصیه‌گر برچسب‌محور (که برای تولید توصیه طراحی و ایجاد شده است) با سامانه توصیه‌گر پالایش گروهی (که از سامانه‌های توصیه‌گر مرسوم و معیار است) در معیارهای ارزیابی دقت، به‌ یادآوری و F1 مقایسه می‌شود. براساس نتایج، سامانه توصیه‌گر ارائه شده مبتنی بر روش پالایش گروهی و داده های GIS بر مبنای شبکه‌های عصبی عمیق در تمام این معیارهای ارزیابی از سامانه پالایش گروهی بهتر عمل می‌کند.
کلیدواژه‌ها
توسعه
سامانه توصیه‌گر هوشمند
رویکرد پالایش گروهی
مدل‌سازی داده‌های جغرافیایی

عنوان مقاله English

Development of an Intelligent Recommender System with a group Refinement approach based on Geographic Data Modeling

نویسندگان English

Tahereh Kheradmandan 1
Farhad Mardukhi 2
Amir Khiekh Ahmadi 3
1 PhD student, Computer Science Department, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran
2 Assistant Professor, Department of Computer Engineering and Information Technology, Razi University, Kermanshah, Iran
3 Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran
چکیده English

The main objective of this research is to design and implement an intelligent recommender system using GIS modeling data to improve the quality of recommendations in online sales systems. The selected research method is the scientific design and experimental research method, in which, in the evaluation stage of the scientific design research method, experimental design has been used. To improve the performance of the intelligent recommender system, user-defined labels and deep neural network algorithms along with GIS modeling have been used to generate recommendations. In the designed and conducted experiment, the label-based recommender system (which is designed and created to generate recommendations) is compared with the group filtering recommender system (which is a conventional and benchmark recommender system) in the evaluation criteria of precision, recall, and F1. Based on the results, the proposed recommender system based on the group filtering method and GIS data based on deep neural networks performs better than the group filtering system in all these evaluation criteria.

کلیدواژه‌ها English

Development
Intelligent Recommender System
Group Refinement Approach
Geographic Data Modeling
Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A. (2013). Recommender systems survey. Knowledge-Based Systems, 46, 109–132.
Bengio, Y., Courville, A., & Vincent, P. (2013). Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1798–1828.
Bengio, Y. (2009). Learning deep architectures for AI. Foundations and Trends in Machine Learning, 2(1), 1–127.
De Lathauwer, L., De Moor, B., & Vandewalle, J. (2000). A multilinear singular value decomposition. SIAM Journal on Matrix Analysis and Applications, 21(4), 1253–1278.
Firan, C. S., Nejdl, W., & Paiu, R. (2007). The benefit of using tag-based profiles. In LA-WEB 2007: Latin American Web Conference (pp. 32–41). IEEE.
Goodchild, M. F. (2013). Geospatial and temporal perspectives of a GIS. Annals of the American Association of Geographers, 103(5), 1072–1077.
Huang, B., Wu, B., & Barry, M. (2010). Geographically and temporally weighted regression for modeling spatial-temporal variation of housing prices. International Journal of Geographical Information Science, 24(3), 383–401.
Hotho, A., Jäschke, R., Schmitz, C., & Stumme, G. (2006). Information retrieval in folksonomies: Search and ranking. In European Semantic Web Conference (pp. 411–426). Springer.
Hevner, A., & Chatterjee, S. (2010). Design research in information systems: Theory and practice (Vol. 22, pp. 136–215). Springer.
Kim, H. N., Ji, A. T., Ha, I., & Jo, G. S. (2010). Collaborative filtering based on collaborative tagging for enhancing the quality of recommendation. Electronic Commerce Research and Applications, 9(1), 73–83.
Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37.
Liang, H., Xu, Y., Li, Y., Nayak, R., & Tao, X. (2010). Connecting users and items with weighted tags for personalized item recommendations. In Proceedings of the 21st ACM Conference on Hypertext and Hypermedia (pp. 51–60). ACM.
Liu, D. C., & Nocedal, J. (1989). On the limited memory BFGS method for large scale optimization. Mathematical Programming, 45(1–3), 503–528.
Motaharinejad, M., Zolfagharzadeh, M., Khadangi, E., & Sadabadi, A. (2016). Designing a model for improving banking recommender systems based on predicting customers’ interests: Application of data mining techniques. Journal of Information Technology Management, 8(2), 393–314.
Marinho, L. B., & Schmidt-Thieme, L. (2008). Collaborative tag recommendations. In Data Analysis, Machine Learning and Applications (pp. 533–540). Springer.
Núñez-Valdéz, E. R., Lovelle, J. M. C., Martínez, O. S., García-Díaz, V., de Pablos, P. O., & Marín, C. E. M. (2012). Implicit feedback techniques on recommender systems applied to electronic books. Computers in Human Behavior, 28(4), 1186–1193.
Park, D. H., Kim, H. K., Choi, I. Y., & Kim, J. K. (2012). A literature review and classification of recommender systems research. Expert Systems with Applications, 39(11), 10059–10072.
 
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook. In Recommender Systems Handbook (pp. 5–35). Springer.
Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative filtering recommender systems. In The Adaptive Web (pp. 291–324). Springer.
Su, X., & Khoshgoftaar, T. M. (2009). Survey of collaborative filtering techniques. Advances in Artificial Intelligence, 2009, Article 421425.
Sohrabi, B., Raeesi Vanani, I., & Zareh Mirkabad, F. (2016). Designing a recommender system for optimizing and managing bank facilities through the utilization of clustering and classification algorithms. Modern Research in Decision Making, 1(2), 53–76.
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2000). Application of dimensionality reduction in recommender system: A case study (Technical Report No. TR-00-043). University of Minnesota, Department of Computer Science.
Ye, X., & Rey, S. J. (2013). A framework for exploratory space–time data analysis of economic data. The Annals of Regional Science, 50(1), 315–339.
Zhang, Z. K., Liu, C., Zhang, Y. C., & Zhou, T. (2010). Solving the cold-start problem in recommender systems with social tags. EPL (Europhysics Letters), 92(2), 28002.
Zuo, Y., Zeng, J., Gong, M., & Jiao, L. (2016). Tag-aware recommender systems based on deep neural networks. Neurocomputing, 204, 51–60.