دانلود مقاله انگلیسی رایگان:موثر بودن تقسیم بندی برای تصمیم گیری های هماهنگ با توصیه های بزرگ - 2018

روز دانشجو

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Efficient Parallelization for Big Data Collaborative Recommendation Decisions Efficient Parallelization for Big Data Collaborative Recommendation Decisions
    Efficient Parallelization for Big Data Collaborative Recommendation Decisions

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Efficient Parallelization for Big Data Collaborative Recommendation Decisions


    ترجمه فارسی عنوان مقاله:

    موثر بودن تقسیم بندی برای تصمیم گیری های هماهنگ با توصیه های بزرگ


    منبع:

    IEEE - Computing and Communication Workshop and Conference (CCWC), 2018 IEEE 8th Annual


    نویسنده:

    E.O. Aboagye, UESTC, Chengdu, China, Gao Jianbin, UESTC, Chengdu, China, and Ampoma Affum Emmanuel,UESTC, Chengdu, China


    چکیده انگلیسی:

    This paper proposes a novel SentimentBased Probabilistic Tensor Analysis technique {sentiPTF} to address the information overload problem through information filtering. The proposed framework first applies a Natural Language Processing (NLP) technique to perform sentiment analysis taking advantage of the huge sums of textual data generated in from the social media are predominantly left untouched. Although some current studies do employ review texts, many of them do not consider how sentiments in reviews influence recommendation algorithm for prediction. Existing works concentrate only on rating matrix which are often sparse. There is therefore this big data text analytics gap whose modeling is computationally expensive. Probabilistic Tensor Factorization (PTF) is a standard technique for such large scale processing. From our experiments, our novel machine learning sentiment-based probabilistic tensor analysis (senti-PTF) is computationally less expensive, scalable and addresses the scalability problem and cold-start problems, for optimal recommendation decision making as shown from our error detection evaluation metrics.
    Index Terms: data partitioning, ProbabilisticTensor Factorization, senti-PTF, rat-PTF


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 7
    حجم فایل: 1229 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer