Web based Decision Support systems

Web based Decision Support systems like recommendation systems have become effective tools for decision making in the recent past. However the recommender systems employing conventional clustering techniques (KRS) like K-Means for collaborative filtering, suffer from the limitation of getting local optimum results. This paper presents Memetic Recommender System (MRS) based on the collaborative behavior of memes. Memetic Algorithms (MAs) are considered as one of the most successful approaches for combinatorial optimization. MAs are the genetic algorithms which incorporate local search in the evolutionary scheme. We propose a distinctive strategy to perform local search in memetic algorithms. MRS works in 2 phases-In the first phase a model is developed based on Memetic Clustering algorithm and in the second phase trained model is used to predict recommendations for the active user. Rigorous experiments were conducted to prove the decision support and statistical efficacy of MRS visa vis KRS. Results confirmed that the proposed approach yields much better performance as compared to the conventional collaborative filtering recommender system.

ผลลัพธ์ (ไทย) 1:

เว็บใช้ระบบสนับสนุนการตัดสินใจเช่นระบบข้อเสนอแนะได้กลายเป็น เครื่องมือที่มีประสิทธิภาพสำหรับการตัดสินใจในอดีตผ่านมา อย่างไรก็ตาม ระบบผู้แนะนำการใช้แบบคลัสเตอร์เทคนิค (เคอาร์เอส) เช่น K หมายถึงสำหรับกรองร่วม ทรมานจากข้อจำกัดของการได้รับผลลัพธ์ที่ดีที่สุดภายใน เอกสารนี้แสดงขั้นผู้แนะนำระบบ (นาง) ตามลักษณะการทำงานร่วมกันของ memes อัลกอริทึมขั้น (มาส) ถือเป็นวิธีประสบความสำเร็จมากที่สุดสำหรับการปรับปัญหาอย่างใดอย่างหนึ่ง มาสเป็นอัลกอริทึมทางพันธุกรรมที่ค้นหาภายในโครงร่างวิวัฒนาการ เรานำเสนอกลยุทธ์เพื่อทำการค้นหาเฉพาะในอัลกอริทึมขั้นโดดเด่น นางทำงานใน 2 ระยะในระยะแรกคือพัฒนาแบบจำลองตามอัลกอริทึมขั้นคลัสเตอร์ และในที่สอง ใช้ระยะฝึกอบรมแบบจำลองเพื่อทำนายคำแนะนำสำหรับผู้ที่ใช้งานอยู่ ได้ดำเนินการทดลองอย่างเข้มงวดเพื่อพิสูจน์สนับสนุนการตัดสินใจและประสิทธิภาพทางสถิติของ MRS vis วีซ่าเคอาร์เอส ผลยืนยันว่า วิธีนำเสนอทำให้ประสิทธิภาพดีมากเมื่อเทียบกับแบบเดิมร่วมกรองผู้แนะนำระบบ

ผลลัพธ์ (ไทย) 2:

Web based ระบบสนับสนุนการตัดสินใจเช่นระบบข้อเสนอแนะได้กลายเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการตัดสินใจในอดีตที่ผ่านมา อย่างไรก็ตามระบบ recommender ใช้เทคนิคการจัดกลุ่มทั่วไป (KRS) เช่น K-หมายสำหรับการกรองการทำงานร่วมกันต้องทนทุกข์ทรมานจากข้อ จำกัด ในการได้รับผลลัพธ์ที่ดีที่สุดในท้องถิ่น บทความนี้นำเสนอ Memetic ระบบ Recommender (MRS) ขึ้นอยู่กับลักษณะการทำงานร่วมกันของมส์ อัลกอริทึม memetic (MAS) ได้รับการพิจารณาว่าเป็นหนึ่งในวิธีการที่ประสบความสำเร็จมากที่สุดสำหรับการเพิ่มประสิทธิภาพ MAs มีขั้นตอนวิธีทางพันธุกรรมซึ่งรวมการค้นหาในท้องถิ่นในรูปแบบวิวัฒนาการ เราเสนอกลยุทธ์ที่โดดเด่นในการดำเนินการค้นหาในท้องถิ่นในขั้นตอนวิธี memetic MRS ทำงานใน 2 ขั้นตอนในขั้นตอนแรกคือการพัฒนารูปแบบขึ้นอยู่กับขั้นตอนวิธีการจัดกลุ่ม Memetic และอยู่ในขั้นตอนที่สองรูปแบบการฝึกอบรมจะใช้ในการทำนายคำแนะนำสำหรับผู้ใช้ที่ใช้งานอยู่ การทดลองได้ดำเนินการอย่างเข้มงวดเพื่อพิสูจน์การสนับสนุนการตัดสินใจและประสิทธิภาพทางสถิติของวีซ่า MRS พิพาท KRS ผลการยืนยันว่าวิธีการที่อัตราผลตอบแทนที่เสนอประสิทธิภาพที่ดีขึ้นมากเมื่อเทียบกับการกรองธรรมดาการทำงานร่วมกันของระบบ recommender

ผลลัพธ์ (ไทย) 3:

เว็บระบบสนับสนุนการตัดสินใจ เช่น ระบบแนะนำได้กลายเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการตัดสินใจในอดีตที่ผ่านมา อย่างไรก็ตาม ระบบการแนะนำแบบเทคนิคการจัดกลุ่ม ( krs ) ชอบแบบ k-means สำหรับการกรอง , ทุกข์ทรมานจากข้อจำกัดของการรับผลที่ดีที่สุดในท้องถิ่นบทความนี้เสนอระบบการแนะนำมีม ( นาง ) ตามแบบพฤติกรรมของมวล . ขั้นตอนวิธีมีม ( MAS ) จะถือว่าเป็นหนึ่งในวิธีการที่ประสบความสำเร็จมากที่สุดสำหรับการเพิ่มประสิทธิภาพ แต่เป็นขั้นตอนวิธีเชิงพันธุกรรมซึ่งรวมการค้นหาในท้องถิ่นในรูปแบบวิวัฒนาการ เรานำเสนอกลยุทธ์ที่โดดเด่นเพื่อทำการค้นหาท้องถิ่นในขั้นตอนวิธีมีม .นางงานใน 2 ขั้นตอน ในขั้นตอนแรกรูปแบบถูกพัฒนาโดยใช้ขั้นตอนวิธีการจัดกลุ่มและมีมในรูปแบบระยะฝึกที่สองจะใช้ทำนายแนะนำสำหรับผู้ใช้ที่ใช้งานอยู่ การทดลองอย่างเข้มงวด มีวัตถุประสงค์เพื่อพิสูจน์สนับสนุนการตัดสินใจและประสิทธิภาพทางสถิติของวีซ่า คุณนายวิส krs .ยืนยันว่า วิธีการที่เสนอผลผลิตดีขึ้นมากประสิทธิภาพเมื่อเทียบกับแบบธรรมดากรองแนะนำระบบ