| نوع مدرک: | متون چاپی |
| سرشناسه | اشنودی ، آرش، نویسنده |
| رده‌بندی کنگره : | COM soft 31 1398 |
| عنوان : | افزایش دقت خوشه‌بندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مؤلفه اصلی و k نزدیک‌ترین همسایگی |
| عنوان موازی : | A novel hybrid approach to increase clustering performance based on neural networks, principal component analysis and k-nearest neighbor |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1398 |
| صفحه شمار: | 65 ص |
| شابک/شاپا | 23503 |
| یادداشت | پایان نامه کارشناسی ارشد: کامپیوتر نرم افزار |
| شناسه افزوده : | نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور |
| توصیفگرها | سیستم‌های توصیه گر خوشه‌بندی دسته‌بندی k نزدیک‌ترین همسایه شبکه عصبی پرسپترون تحلیل مؤلفه اصلی |
| چکیده : | با گسترش روز افزون استفاده از سیستم‌های رایانه‌ای در کاربردهای مختلف و با توجه به استقبال از سیستم‌های توصیه‌گر در کاربردهای مختلف، لزوم بهبود عملکرد این سیستم‌ها بیشتر از قبل احساس می‌شود. سیستم‌های توصیه‌گر ابزار کارآمدی در وب‌سایت‌های تجارت الکترونیک محسوب می‌شوند و هدف اصلی آنها تولید پیش‌بینی‌های دقیق است تا اینکه کاربران با صرف زمان و انرژی کمتر به اطلاعات و مورد نظر خود دسترسی پیدا کنند. خوشه‌بندی سبب بهینه‌سازی فعالیت جستجوی اطلاعات در این سیستم‌ها شده و زمان جستجوی کاربر را کاهش می‌دهد. در برخی از سیستم‌های توصیه‌گر، مسئله توصیه اشیاء برای کاربر جدید که اولین ورود را تجربه می‌کند وجود دارد. راه‌حل‌هایی برای حل این مسئله با عنوان درج داده جدید با استفاده از الگوریتم نزدیک‌ترین همسایگی ارائه شده است. این تحقیق با استفاده ترکیبی الگوریتم¬های شبکه‌های عصبی پرسپترون چندلایه، نزدیک‌ترین همسایگی و الگوریتم تحلیل مؤلفه اصلی، دقت خوشه‌بندی داده‌ها را بهبود می‌بخشد به‌طوری‌که داده ورودی در خوشه مناسب‌تر قرار گیرد. این کار به این صورت انجام می¬شود که داده ورودی به الگوریتم با هر دو روش موجود، خوشه‌بندی شده و سپس بین نتایج به‌دست‌آمده رأی‌گیری خواهد شد. در این پژوهش از پایگاه داده موجود که شامل امتیازهای داده شده هزار کاربر به گروه¬های فیلم مختلف می¬باشد استفاده شده است که این داده‌ها در روش پیشنهادی نرمال‌سازی شده و نسبت به هر گروه از فیلم و امتیازات کاربران میانگین‌گیری صورت‌گرفته و داده‌ها در فضای جدیدی به ورودی سیستم فرستاده می¬شوند که فضای جدید معرفی شده در این پژوهش توانسته قدرت افتراق پذیری بالایی بین خوشه‌های موجود ایجاد کرده و در نتیجه خروجی نهایی سیستم به‌دقت قابل‌قبولی دست یابد. نتایج آزمایش‌های انجام شده بر روی این داده‌ها نشان می-دهد معیار دیویس بولدین در روش پیشنهادی برای افزایش بعد باعث 12 درصد میانگین بهبود خوشه بندی نسبت به قبل از افزایش بعد در تعداد خوشه‌های مختلف با انواع معیارهای خوشه‌بندی شده است. همچنین روش پیشنهادی ترکیبی شامل الگوریتم گروهی رأی گیری یادگیری ماشین توانسته با دقت 95.56%، صحت 93.91% و فراخوانی 94.17% در تشخیص خوشه‌بندی داده‌ها موفق باشد که نسبت به الگوریتم یادگیری ماشین به عنوان طبقه‌بند برتر، باعت 5/0% بهبود شده است |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=12764 |
| زبان مدرک : | فارسی |
افزایش دقت خوشه‌بندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مؤلفه اصلی و k نزدیک‌ترین همسایگی (1398) / اشنودی ، آرش، نویسنده