پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 712 |
| تعداد مقالات | 10,258 |
| تعداد مشاهده مقاله | 72,004,655 |
| تعداد دریافت فایل اصل مقاله | 63,754,987 |
سیستم توصیهگر فیلم مبتنی بر الگوریتم بهینه سازی هوشمند ترکیبی | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 اردیبهشت 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.37554.2843 | ||
| نویسندگان | ||
| هاله نخعی راد1؛ حسام زندحسامی* 2؛ عباس طلوعی اشلقی3 | ||
| 1دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت فناوری اطلاعات دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات،دانشگاه آزاد اسلامی، | ||
| 2استادیار گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات ،دانشگاه آزاد اسلامی، تهران،ایران | ||
| 3استاد گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران،ایران | ||
| تاریخ دریافت: 07 اردیبهشت 1404، تاریخ بازنگری: 17 دی 1404، تاریخ پذیرش: 28 دی 1404 | ||
| چکیده | ||
| تماشای فیلم یکی از سرگرمیهای رایج در جامعه مدرن است و پلتفرم های پخش ویدئو به دلیل پیشرفت تکنولوژی و دسترسی آسان در سال های اخیر به شدت افزایش یافته اند. سیستمهای توصیهگر فیلم در این پلتفرمها ادغام شدهاند تا به کاربران در کشف فیلمها و سریالهای مناسب کمک کنند. در واقع هدف سیستمهای توصیه فیلم پیشنهاد فیلم موردعلاقه کاربران است، بدون اینکه مجبور به گذراندن فرآیند طولانی و گیج کننده انتخاب از میان مجموعه بزرگی از فیلمها باشند.پالایش مشارکتی که سرعت و پایداری بسیار خوبی در توصیه دارد به طور گسترده در پلتفرم های مختلف پخش آنلاین فیلم مورد استفاده قرار گرفته است و به کاربران کمک می کند تا فیلم های مورد نظر خود را براساس تجربه تماشای فیلم کاربران دیگر به شیوه ای کارآمد و موثر و بدون اتلاف وقت زیاد، پیدا کنند. در این مقاله یک سیستم توصیهگر مبتنی بر پالایش مشارکتی مبتنی بر کاربر برای مجموعه داده مووی لنز پیشنهاد شده است که وزن های تابع شباهت و مقدار بهینه K نزدیکترین همسایه توسط یک الگوریتم بهینه سازی هوشمند ترکیبی (ترکیبی از گرگ خاکستری فازی با الگوریتمهای شیر، تکامل تفاضلی و جستجوی نلدرمید) در قالب یک مسئله بهینه سازی تنظیم شده است. عملکرد سیستم از لحاظ MAE، دقت، فراخوانی، معیار F و معیار جدید پیشنهادی اندازه گیری شد. نتایج نشان دهنده بهبود دقت پیش بینی و کیفیت توصیه سیستم توصیه گر است. | ||
| کلیدواژهها | ||
| سیستم توصیهگر فیلم؛ پالایش مشارکتی؛ الگوریتم گرگ خاکستری؛ الگوریتم بهینهسازی شیر؛ الگوریتم تکامل تفاضلی؛ روش نلدرمید | ||
| عنوان مقاله [English] | ||
| A movie Recommender System based on a hybrid intelligent optimization algorithm | ||
| نویسندگان [English] | ||
| Haleh Nakhaei Rad1؛ Hessam Zandhessami2؛ Abbas Toloie Eshlaghy3 | ||
| 1Ph.D. Candidate in Information Technology Management, Department of Information Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| 2Assistant Professor, Department of Industrial Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| 3Professor, Department of Industrial Management, Faculty of Management and Economics, Science and Research Branch Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| Watching movie is kind of entertainment in modern society and Video streaming platforms are drastically increased due to technological advancement and easy access of handheld devices in the recent years. Movie recommender systems are integrated into these platforms to help users discover suitable movies and series. In fact movie recommendation systems aim at suggesting what movie to watch without having to go through the long process of choosing from a large set of movies that is time consuming and confusing. Collaborative filtering which has excellent speed and robustness in recommendation, has been widely used in various online movie streaming platforms and it helps users to find the movies based on the movie experience of other users in efficient and effective way without wasting much time. In this paper is suggested a user-based collaborative filtering recommender system on Movielens dataset which weights of similarity function and K Nearest neighbors are adjusted with a new hybrid meta-heuristic algorithm (a combination of fuzzy Grey Wolf Optimizer algorithm, Lion Optimization algorithm, Differential Evolution algorithm and Nelder-Mead method) in the form of an optimization problem. The performance of proposed algorithm is considered in terms of MAE, Precision, Recall, F-measure and new proposed measure. The results shows that improvement in prediction accuracy and recommendation quality of recommender system. | ||
| کلیدواژهها [English] | ||
| Movie Recommender systems, Collaborative filtering, Grey Wolf Optimizer algorithm, Lion Optimization algorithm, Differential Evolution algorithm, Nelder-Mead method | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 93 |
||