دانلود مقاله انگلیسی رایگان:وارد کردن محتوای دقیق برای شبکه های محتوا محور: رویکرد یادگیری آنلاین با پشتیبانی داده های بزرگ - 2018

تخفیف ماه رمضان

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
  • Accurate Content Push for Content-Centric Social Networks: A Big Data Support Online Learning Approach Accurate Content Push for Content-Centric Social Networks: A Big Data Support Online Learning Approach
    Accurate Content Push for Content-Centric Social Networks: A Big Data Support Online Learning Approach

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Accurate Content Push for Content-Centric Social Networks: A Big Data Support Online Learning Approach


    ترجمه فارسی عنوان مقاله:

    وارد کردن محتوای دقیق برای شبکه های محتوا محور: رویکرد یادگیری آنلاین با پشتیبانی داده های بزرگ


    منبع:

    IEEE - 2471-285X © 2018 IEEE: Personal use is permitted, but republication/redistribution requires IEEE permission:


    نویسنده:

    Yinan Feng, Pan Zhou, Dapeng Wu,Yuchong Hu


    چکیده انگلیسی:

    With the rapid growth of the social network, information overload becomes a critical issue. Service providers push a lot of redundant contents and advertisements to users every day. Thus, users’ interests and the probability of reading them have dropped considerably and the network load is wasted. To address this issue, accurate content push is needed, where the main challenges are proving precise descriptions of users and supporting the big data nature of users and contents. Content-centric networking (CCN) has emerged as a new network architecture to meet today’s requirement for content access and delivery. By using the named content, CCN makes it possible to track users’ real-time interests and motivates us studying a novel content accurate push (or called content recommendation) system. In this paper, we model this issue as a novel contextual multiarmed bandit based Monte Carlo tree search problem and propose a big data support online learning algorithm to meet the demand of content push with low cost. To avoid destroying CCN’s energy efficient feature, the energy consumption is considered into our module. Then, we theoretically prove that our online learning algorithm achieves sublinear regret bound and sublinear storage, which is very efficient in the big data context and do not increase the network burden. Experiments in an offline collected dataset show that our approach significantly increases the accuracy and convergence speed against other state-of-the-art bandit algorithms and can overcome the cold start problem as well
    Index Terms: Online learning, content-centric networking, big data, social network, recommender system, contextual bandit, monte-carlo tree search.


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 13
    حجم فایل: 1001 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