پایان نامه ارشد رایگان درمورد شبکه اجتماعی، ارزیابی عملکرد، هوش مصنوعی

دانلود پایان نامه

-7-4- معیار F-Measure

برای ترکیب معیارهای درصد پوشش وخطای جذر میانگین مربعات در قالب یک معیار، F-Measure محاسبه میگردد اما برای اینکار باید خطای جذر میانگین مربعات به معیار دقت که در بالا معرفی گردید تبدیل و بر اساس عددی در بازه ]1,0[ نمایش داده شود. بنابراین فرمول F-Measure به صورت زیر تعریف میگردد[20] :

(11)
F-Measure=(2*Coverage*Precision)/(Coverage+Precision)

فصل سوم

مروری بر مطالعات و تحقیقات پیشین

3- مروری بر مطالعات و تحقیقات پیشین

3-1- مقدمه

در سالهای اخیر از تکنیکها و روشهای مختلف آماری، دادهکاوی، هوش مصنوعی و الگوریتمهای ریاضی در پیادهسازی سیستمهای توصیهگر مورد استفاده قرار گرفته است. در بخش قبل به صورت کلی و مختصر هر یک از روشهای فوق معرفی گردیدند و در این بخش کارهایی که در زمینه رفع مشکلات و نقایص آنها انجام شده است و همچنین روند پیشرفت تحقیقات صورت گرفته در زمینه بهبود و توسعه سیستمهای توصیهگر مبتنی بر اعتماد بیان میگردد تا بر اساس این مطالعات، بتوان زمینه فعالیتهای آینده را مشخص نمود.
این روشها، تکنیکها و الگوریتمها به لحاظ سرعت، هزینه اجرا، دقت، تک هدفی یا چند هدفی بودن، در نظر گرفتن نیازهای کوتاه مدت و بلند مدت کاربران با یکدیگر تفاوت دارند و هریک در پاره ای از موضوعات کاربرد مناسبتر و راندمان بهتری دارند، لذا باید در حوزه های مختلف و از ابعاد گوناگون مورد بررسی قرار گیرند.

3-2- مرور کارهای گذشته

جهت رفع ایراد سیستمهای توصیهگر مبتنی بر روش پالایش گروهی، تعدادی از محققان با بهرهگیری از مقوله اعتماد و شبکههای مبتنی بر اعتماد باعث بهبود و توسعه سیستمهای توصیهگر و ایجاد مدلهای مبتنی بر اعتماد گردیدهاند[51]–[54][39].
این مدلها نقش بسزایی در بسیاری از سایتهای تجاری ایفا میکنند به عنوان مثال سیستمهای پاسخگویی به سوالات میتوانند بر اساس پاسخهای کاربران و تایید یا تکذیب پاسخها توسط سایر کاربران نسبت به محاسبه اعتماد اقدام نمایند و پاسخهای مناسبتری را به کاربران خود ارائه دهند[55]. سیستمهای توصیهگر همچنین میتوانند پیشنهاداتی مناسب نظر و سلیقه کاربران خود ارائه دهند به عنوان مثال سایت Epinions بر اساس اعتماد کاربران به یکدیگر، نظرات سایر کاربران در خصوص یک آیتم خاص را به صورت مرتب شده به کاربران خود نمایش میدهد.
اعتماد و مدلهای مبتنی بر اعتماد، در شاخه های بسیار زیادی از علوم کامپیوتر و بستههای نرم افزاری مورد استفاده قرار میگیرند. Artz و Gil در تحقیق خود [56] مطالعات حوزه اعتماد و کاربرد آنرا در 4 دسته کلی طبقهبندی مینماید. دسته اول مدلهایی هستند که از سیاستهای موجود و محدودیتها و قوانین مدیریتی موجود برای ایجاد رابطه اعتماد استفاده مینمایند. دسته دوم مدلهای عمومی اعتماد مانند مدلهای مطرح شده در [57], [58]میباشند. دسته سوم مدلهای اعتماد در منابع اطلاعات مانند مدل ارائه شده در [55] می باشد و دسته چهارم مدلهای اعتماد مبتنی بر شهرت82 میباشند.
در یک طبقهبندی دیگر سیستمهای مبتنی بر اعتماد به دسته کلی “احتمالی83” و “تدریجی84” تقسیم بندی و در قالب نمایش “اعتماد” در مقابل “اعتماد و عدم اعتماد” بیان میگردند. در جدول 3-1 پاره ای از کارهای صورت گرفته در هر دسته نمایش داده شده است.
در رویکرد احتمالی مقادیر اعتماد در قالب وجود یا عدم وجود اعتماد بیان میگردند به عبارت دیگر مقدار اعتماد میان دو فرد 0 یا 1 است و احتمال اینکه یک کاربر مورد اعتماد واقع شود بر این اساس محاسبه میگردد.
جدول 3-1 : دستهبندی مدلهای اعتماد
اعتماد و عدم اعتماد
اعتماد به تنهایی
دستهبندی
Jøsangو همکاران[59]
Kamvar و همکاران[60]
Richardson و همکاران[61]
Zaihrayeu و همکاران[55]
احتمالی
De Cockو همکاران[62]
Guha و همکاران[63]
Abdul-Rahmanو همکاران[64]
Falcone و همکاران[57]
Golbeck ]15[
Massa و همکاران[19]
تدریجی

در برخی موارد اعتماد بر اساس تعداد تراکنش و مراودات مثبت و منفی میان دو کاربر در یک فضای مجازی میباشد، به عنوان مثال، مدل ارائه شده توسط Noh یک مدل رسمی بر اساس نظرات متقابل کاربران در یک شبکه اجتماعی میباشد[65].
در مقابل در رویکرد تدریجی مقدار اعتماد به صورت درجه بندی میان دو مقدار و به صورت فازی بیان میگردد و مقدار مطلق 0 یا 1 نیست بلکه میتواند به صورت یک عدد اعشاری در محدوده ]1,0[ بیان گردد به عنوان مثال، مدلهای ارائه شده در تحقیقات [62][63][66] از این رویکرد در مدلهای پیشنهادی خود استفاده نمودهاند. در این رویکرد مقادیر اعتماد به عنوان مقادیر احتمال تفسیر نمیشوند بلکه مقدار بالاتر اعتماد نشان دهنده اعتماد بیشتر به نظرات کاربر میباشد که این امر مرتب سازی نظرات بر اساس مقادیر اعتماد را به یک فاکتور مهم تبدیل میکند. در زندگی روزمره نیز اعتماد به عنوان یک مقوله تدریجی در میان افراد وجود دارد و افراد به یکدیگر تا حد و حدودی اعتماد دارند و به صورت یک رابطه مطلق نمیباشد. به عنوان مثال در [67], [68] از واژههای فازی برای بیان اعتماد موجود میان کاربران در یک شبکه نقطه به نقطه85یا یک شبکه اجتماعی استفاده میگردد یا به عنوان یک مثال کلاسیک از بیان تدریجی اعتماد، میتوان به مدل تحقیق [64] اشاره نمود که در آن از 4 واژه “بسیار مورد اعتماد”، “مورد اعتماد”، “غیر قابل اعتماد” و “بسیا
ر غیر قابل اعتماد” برای بیان اعتماد در نظر گرفته شده است.
در سالهای اخیر رویکرد تدریجی به دلیل تطابق با دنیای واقعی، بیشتر مورد نظر محققان قرار گرفته است و در زمینه های مختلف خصوصا سیستمهای توصیهگر مورد استفاده قرار گرفته است، به عنوان مثال در [15][39] از رویکرد تدریجی به عنوان پایه مدل مبتنی بر اعتماد استفاده شده است.
در حالیکه استفاده از مفهوم “اعتماد” به سرعت در حال پیشرفت می باشد و کاملا در تحقیقات جایگاه خود را تبیین نموده است ولی استفاده و مدل سازی بر اساس مفهوم “غیر قابل اعتماد86” هنوز ناشناخته باقی مانده است و تحقیقات خاصی در این زمینه صورت نگرفته است. در مقالات [69], [70] سعی شده است تا مفهوم “غیر قابل اعتماد ” در قالب مدل بیان شوند ولی مدلهایی که تواما هر دو مفهوم را در مدل خود لحاظ نموده باشند بسیار نادر و کمیاب میباشند و تنها مدل احتمالی موجود، که هر دو مفهوم را به صورت توام در نظر گرفته است مدل ارائه شده توسط Jøsang میباشد[59][71].

3-2-1- مدل MoleTrust

در میان کارها و تحقیقات صورت گرفته مدل ارائه شده توسط Massa و Avesani محبوبترین مدل موجود در این زمینه میباشد [51][72], [73] و این مدل در یک سیستم توصیهگر کاربردی به نام Moleskiing به صورت عملی مورد استفاده قرار گرفته است[74].
مدل مذکور به دلیل محبوبیت، به عنوان پایه و اساس بسیاری از تحقیقات دیگر در نظر گرفته میشود. معماری مدل MoleTrust در شکل 3-1 نمایش داده شده است .

شکل 3-1 : معماری مدل MoleTrustارائه شده توسط Massa

ورودی مدل، ماتریس امتیازات و ماتریس اعتماد میان کاربران و خروجی آن امتیاز پیشبینی شده برای آیتمهای مختلف و تمامی کاربران میباشد. ماتریس اعتماد، در واقع مجموعه روابط اعتماد میان کاربران سیستم توصیهگر میباشد. هر عنصر از این ماتریس بیانگر وجود و مقدار رابطه اعتماد میان دو کاربر میباشد. ماتریس امتیازات نشان دهنده امتیاز دهی کاربران به آیتمهای مختلف میباشد و هر عنصر آن نشان دهنده امتیاز داده شده توسط یک کاربر به یک آیتم خاص می باشد.
روش پیشبینی امتیازات در مدل ارائه شده توسط Massa شبیه روش پالایش گروهی میباشد با این تفاوت که در روش پالایش گروهی، محاسبه امتیازات بر اساس تشابه کاربران با یکدیگر میباشد در حالیکه در مدل مبتنی بر اعتماد، بر اساس وزن اعتماد میان کاربر مقصد و سایر کاربران، امتیاز نهایی مطابق فرمول زیر محاسبه میگردد.
(12)

که در فرمول فوق w_(a,u) از فرمول زیر محاسبه میگردد.
(13)

در فرمول فوق d_max حداکثر مجاز عمق پیمایش87 در شبکه اعتماد میباشد که توسط مدیر سیستم قابل تنظیم میباشد و معمولا عددی در محدوده 1 تا 6 می باشد. d_(a,u) فاصله میان کاربر مبدا a تا کاربر توصیه کننده u میباشد. در مدل MoleTrust ارائه شده توسط Massa فاصله انتشار اعتماد، در واقع کوتاهترین مسیر موجود میان کاربر هدف و کاربر مورد اعتماد وی در شبکه اعتماد میباشد.
با توجه به مکانیزم موجود در مدل Massa، مقدار پارامتر حداکثر عمق قابل پیمایش در شبکه اعتماد، از اهمیت بالایی برخوردار است ولی مکانیزم مشخص و معینی برای تعیین این پارامتر وجود ندارد و مقادیر مختلفی توسط محققان برای این پارامتر پیشنهاد شده است. نکته قابل توجه این است که در صورتیکه مقدار این پارامتر 1 در نظر گرفته شود ممکن است نظرات ارزشمند کاربرانی که در فواصل دورتری نسبت به کاربر هدف قرار دارند در نظر گرفته نشود و از طرف دیگر در نظر گرفتن مقادیر بزرگ، مانند 6 برای این پارامتر، باعث افزایش تصاعدی پیچیدگی محاسبات میگردد لذا بسته به توپولوژی شبکه، ساختار، تعداد کاربران و روابط میان ایشان باید مقدار مناسبی را برای این پارامتر در نظر گرفت.

3-2-2- مدل TidalTrust

یکی دیگر از مدلهای مطرح در زمینه سیستمهای توصیهگر مبتنی بر اعتماد، مدل ارائه شده توسط Golbeck میباشد که این مدل تحت نام TidalTrust مطرح گردیده است[15]. در مدل ارائه شده توسط Massa جستجو در عمق شبکه اعتماد میان کاربران صورت میگیرد اما در این مدل جستجو در عرض شبکه اعتماد رخ میدهد، به عبارت دیگر، کاربران نظر دهندهای که دارای کوتاهترین مسیر با کاربر مبدا در شبکه اعتماد می باشند، جستجو میگردند و سپس از تجمیع وزنی امتیازات تخصیص داده شده توسط این کاربران به آیتم هدف بر اساس مقدار اعتماد میان ایشان و کاربر مبدا، محاسبه پیشبینی امتیاز صورت میگیرد. در این مدل برای محاسبه میزان اعتماد میان دو کاربرu و v که مستقیما با یکدیگر ارتباط ندارند، از تجمیع مقادیر اعتماد میان همسایگان مستقیمu و v بر اساس وزن میزان اعتماد میان u و همسایگان مستقیمش استفاده میگردد. از آنجائیکه مدل TidalTrust تنها از نظرات کاربرانی که در کوتاهترین فاصله با کاربر مبدا میباشند استفاده میکند، ممکن است اطلاعات ارزشمندی را که در فواصل دورتر در شبکه اعتماد میان کاربران موجود میباشد را مد نظر قرار ندهد که این امر میتواند باعث کاهش دقت و همچنین کاهش درصد پوشش این مدل گردد.

3-2-3- مدل دانه سیب88

یکی دیگر از مدلهای موجود در زمینه انتشار اعتماد و نحوه محاسبه آن مدل دانه سیب میباشد [75]. پایه این مدل بر اساس مدلهای فعالسازی انتشار89 میباشد. در این مدل، کاربر مبدا u با تزریق انرژی e فعال میگردد و سپس این انرژی در گراف میان کاربران بر اساس وزن هر یال انتشار و تقسیم میگردد. در این مدل میزان اعتماد به صورت افزایشی در نظر گرفته میشود به این معنی که اگر تعدادی مسیر میان دو کاربر وجود داشته باشد که هر مسیر د
ارای میزان اعتماد اندکی باشد در نهایت میزان اعتماد میان آن دو کاربر زیاد و قابل ملاحظه خواهد بود که این اصل در رویکرد سیستمهای توصیهگر مبتنی بر اعتماد قابل لمس و درک نمیباشد.

3-2-4- مدل ارائه شده توسط Anderson

مدلی دیگر نیز توسط Anderson و همکارانش ارائه شده است[10] که در آن مجموعهای از محورها و پارامترها برای سیستم توصیهگر مبتنی بر اعتماد مطرح شده است و آنالیزی در خصوص اینکه کدامیک از این پارامترها به صورت همزمان میتوانند تامین و برآورده گردند صورت میگیرد. در این مدل، گراف میان کاربران با تکنیک پیمایش تصادفی پیمایش میگردد و نظرات کاربران در قالب دو مقدار 1+ و 1- در نظر گرفته شده است اما آزمایشاتی برای ارزیابی عملکرد آن توسط مطرح کنندگانش صورت نگرفته است و نمی توان مقایسه دقیقی با سایر مدلهای موجود داشت .

3-2-5- مدل ارائه شده توسط O’Donovan

در تحقیق انجام شده توسط

این نوشته در پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

پاسخی بگذارید

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