ورودی مدل، ماتریس امتیازات و ماتریس اعتماد میان کاربران و خروجی آن امتیاز پیش ­بینی 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.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

روش پیش ­بینی 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.

(۱۲)

که در فرمول فوق از فرمول زیر محاسبه می­گردد.

(۱۳)

در فرمول فوق حداکثر مجاز عمق پیمایش[۸۷] در شبکه اعتماد می­باشد که توسط مدیر سیستم قابل تنظیم می­باشد و معمولا عددی در محدوده ۱ تا ۶ می باشد. 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 ۱ 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 ۶ 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.
۳-۲-۲- 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[۱۵]. 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 پیش ­بینی 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 می­ کند، ممکن است اطلاعات ارزشمندی را که در فواصل دورتر در شبکه اعتماد میان کاربران موجود می­باشد را مد نظر قرار ندهد که این امر می ­تواند باعث کاهش دقت و همچنین کاهش درصد پوشش این مدل گردد.
۳-۲-۳- مدل دانه سیب[۸۸]
یکی دیگر از مدلهای موجود در زمینه انتشار اعتماد و نحوه محاسبه آن مدل دانه سیب می­باشد [۷۵]. پایه این مدل بر اساس مدلهای فعالسازی انتشار[۸۹] 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 می­ شود به این معنی که اگر تعدادی مسیر میان دو کاربر وجود داشته باشد که هر مسیر دارای 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 نمی ­باشد.
۳-۲-۴- مدل ارائه شده توسط Anderson
مدلی دیگر نیز توسط Anderson و همکارانش ارائه شده است[۱۰] که در آن مجموعه ­ای 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 ۱+ و ۱- 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 .
۳-۲-۵- مدل ارائه شده توسط O’Donovan
در تحقیق انجام شده توسط O’Donovan مقوله اعتماد به صورت متفاوتی تعریف و مورد استفاده قرار گرفته است [۷۶]. در این تحقیق، شبکه اجتماعی بر اساس تشابه پروفایل کاربران ایجاد و استخراج می­گردد نکته لازم به ذکر این است که این شبکه نمی تواند اطلاعاتی را که یک شبکه اعتماد تامین می­ کند را تولید کند. در این تحقیق دو سطح برای اعتماد در نظر گرفته شده است که سطح اول اعتماد در سطح پروفایل کاربران می­باشد که در واقع یک معیار اعتبار سراسری در سطح شبکه کاربران است و سطح دوم اعتماد در سطح آیتم­ها می­باشد که در آن یک کاربر بر اساس صحت و قابل اعتماد بودن نظراتش در خصوص آیتم های مختلف مورد اعتماد سایر کاربران قرار می گیرد و معیاری برای رابطه اعتماد مستقیم میان دو کاربر مطرح نمی ­باشد. از مقادیر اعتماد محاسبه شده، برای فیلتر نمودن کاربران نظر دهنده استفاده می­گردد و پیش ­بینی امتیاز نهایی توسط تجمیع وزنی امتیازات این کاربران به آیتم هدف بر اساس ترکیب میزان اعتماد و تشابه انجام می­پذیرد. در این مکانیزم از توزیع پذیری اعتماد استفاده نشده است و تنها اعتماد مستقیم مد نظر قرار گرفته است و می توان گفت این روش، یک روش سیستم توصیه­گر مبتنی بر اعتماد نیست.
۳-۲-۶- مدل TrustWalker
یکی دیگر از بهترین و بروزترین تحقیقات انجام شده در زمینه سیستمهای توصیه­گر مبتنی بر اعتماد، مدل ارائه شده توسط Jamali از دانشگاه Simon Fraser کانادا می­باشد. این مدل که تحت نام TrustWalker مطرح شده است [۲۰] یک مدل توصیه­گر ترکیبی است که از ترکیب شیوه پالایش گروهی مبتنی بر آیتم و مدلهای مبتنی بر اعتماد ایجاد شده است و سعی در تجمیع مزایای هر دو روش و کاهش نقایص هر کدام به تنهایی دارد.
در این مدل برای پیش بینی امتیاز کاربر مبدا u به آیتم هدف i چندین پیمایش تصادفی[۹۰] که همگی از کاربر مبدا u آغاز خواهند شد در شبکه اعتماد میان کاربران، صورت می­گیرد که در هریک از آنها سعی می­ شود تا کاربری که دارای امتیاز به آیتم i یا آیتمی شبیه آیتم i می­باشد یافته شود و نظر او به عنوان نتیجه اجرای یک پیمایش تصادفی بازگردانده شود. چندین پیمایش تصادفی اجرا می­گردد و از تجمیع نتایج آنها پیش ­بینی امتیاز نهایی کل الگوریتم به آیتم i مشخص خواهد شد­.
همان طور که پیشتر از این نیز بیان شد یکی از مسائل مهم و اصلی در سیستمهای توصیه­گر مبتنی بر اعتماد، حداکثر عمق حرکت در شبکه اعتماد میان کاربران می­باشد چراکه میان دقت و درصد پوشش رابطه­ای معکوس وجود دارد به این مضمون که هرچه در شبکه اعتماد پیشروی شود امکان یافتن افرادی که به آیتم مورد نظر امتیاز داده باشند بیشتر خواهد شد که این مسئله باعث افزایش درصد پوشش می­گردد ولی در مقابل با دورتر شدن از کاربر مبدا اعتماد به نظرات کاربران نظر دهنده کاهش می­یابد که این امر می ­تواند باعث کاهش چشمگیر دقت گردد. در این مدل جهت حل مطلب فوق سعی شده است که توازنی میان دقت و درصد پوشش ایجاد گردد به این معنی که نظرات کاربران نزدیک، در خصوص آیتم های مشابه آیتم هدف که دارای اعتماد بیشتری نزد کاربر مبدا می باشند به نسبت نظر کاربرانی که در فواصل دور قراردارند ولی دقیقا به آیتم هدف امتیاز داده­اند از ارزش و اعتبار بیشتری برخوردار است لذا این امر زمینه ساز ترکیب روش پالایش گروهی مبتنی بر آیتم و مکانیزم مبتنی بر اعتماد گردیده است.
۳-۲-۶-۱- ساختار مدل TrustWalker
در این مدل از پیماش تصادفی برای حرکت در شبکه اعتماد میان کاربران استفاده شده است که نه تنها نظرات کاربران در خصوص آیتم هدف را مد نظر قرار می­دهد بلکه نظرات ایشان در خصوص آیتمهای مشابه را نیز مد نظر قرار می­دهد. در این روش دو مولفه اصلی وجود دارد که عبارتند از:
اجرای پیمایش تصادفی بر روی شبکه اعتماد میان کاربران
انتخاب احتمالی آیتم ها بر اساس تشابه آنها با آیتم هدف
بخش اول وظیفه حرکت در میان شبکه اعتماد را بر عهده دارد و بخش دوم توجه خود را به یافتن آیتمهای مشابه آیتم هدف و امتیازات آنها معطوف می­دارد تا از حرکت بیش از حد در عمق شبکه جلوگیری شود بنابراین این مدل با در نظر گرفتن کاربران نظر دهنده در فواصل نزدیک باعث بهبود دقت و همچنین با در نظر گرفتن آیتم­های مشابه آیتم هدف علاوه بر خود آیتم هدف، باعث بهبود درصد پوشش خواهد شد.
۳-۲-۶-۲- تشابه آیتم ها
در سیستمهای توصیه­گر مبتنی بر محتوا از مولفه­ها و خصوصیات آیتم­ها برای محاسبه تشابه استفاده می­گردد ولی در تکنیکهای پالایش گروهی مبتنی بر آیتم، تنها اطلاعات موجود در خصوص یک آیتم، امتیازات تخصیص داده شده به آن توسط کاربران مختلف می­باشد لذا همانند بسیاری از تحقیقات انجام گرفته در این زمینه در این مدل نیز از فرمول پیرسون (فرمول شماره ۴) برای محاسبه تشابه دو آیتم استفاده می­گردد.
۳-۲-۶-۳- خصوصیات ویژه مدل TrustWalker
این مدل دارای ویژگیهای خاصی می باشد که فهرست وار عبارتند از:
فراگیری و عمومیت مدل[۹۱]
اطمینان به نتایج حاصل[۹۲]
تفسیرپذیری و قابل توضیح بودن نتایج[۹۳]
۳-۲-۶-۳-۱- فراگیری و عمومیت مدل
این مدل به گونه ­ای طراحی شده است که تکنیک پالایش گروهی مبتنی بر آیتم و مدل مبتنی بر اعتماد خالص را به عنوان حالتهای خاص در درون خود به همراه دارد. اگر برای تمامی کاربران، احتمال توقف در آنها در جستجوی امتیاز آیتم هدف i، برابر صفر در نظر گرفته شود در این صورت پیمایش تصادفی اصلا آغاز نمی­ شود و امتیاز تخصیص یافته به یکی از آیتمهایی که توسط کاربر مبدا به آنها امتیازی داده شده است به عنوان پاسخ بازگردانده می­ شود. از آنجائیکه احتمال انتخاب یک آیتم، متناسب با مقدار تشابه آن با آیتم هدف می­باشد امتیاز پیش ­بینی شده، میانگین وزنی امتیازات آیتمهای امتیاز داده شده توسط کاربر با وزن نسبت تشابه آنها با آیتم هدف i خواهد بود که این نتیجه در واقع معادل اجرای تکنیک پالایش گروهی مبتنی بر آیتم معرفی شده در [۲۲] می باشد.
از طرف دیگر اگر برای تمامی کاربران موجود، احتمال توقف در آنها در جستجوی امتیاز آیتم هدف i برابر صفر فرض شود در این صورت پیمایشهای تصادفی تا زمانیکه دقیقا امتیازی برای آیتم هدف i نیابند ادامه خواهند یافت و امتیاز پیش بینی شده، نتیجه تجمیع امتیازات بیان شده توسط کاربران نظر دهنده در خصوص آیتم i، متناسب با احتمال رسیدن به هریک از این کاربران در شبکه با شروع از خواهد بود. روش های معرفی شده در [۱۵][۳۹] سعی در تخمین همین احتمال دارند. بنابراین مدل TrutWalker یک مدل بلوغ یافته از مدلهای مذکور است و به عنوان یکی از سیستمهای توصیه­گر جامع مبتنی بر اعتماد مطرح می­باشد .
۳-۲-۶-۳-۲- اطمینان به نتایج حاصل
همان طوری که قبلا نیز اشاره شد اکثر سیستمهای توصیه­گر موجود اطمینانی در خصوص نتایج خود به کاربرانشان ارائه نمی­دهند در حالیکه کاربران این سیستمها علاقه­مند هستند که از میزان قابل اطمینان بودن نتایج آگاه باشند. در مدل TrustWalker این امکان وجود دارد که بر اساس واریانس نتایج حاصل، معیاری در قالب اطمینان را تعریف نمود. هرچه که میزان واریانس نتایج حاصل کمتر باشد اطمینان به نتایج بالاتر خواهد بود. برای تبدیل واریانس به مقدار و درجه­ای که بتواند اطمینان را نشان دهد فرمول زیر تعریف شده است.

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...