دانلود مقاله انگلیسی رایگان:PNKASR - یک روش توصیف سرویس مثبت-منفی کلید واژه برای برنامه های داده بزرگ - 2016

محرم

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
  • PNKASR-A Positive Negative Keyword-Aware Service Recommendation Methodology for Big Data Applications PNKASR-A Positive Negative Keyword-Aware Service Recommendation Methodology for Big Data Applications
    PNKASR-A Positive Negative Keyword-Aware Service Recommendation Methodology for Big Data Applications

    سال انتشار:

    2016


    عنوان انگلیسی مقاله:

    PNKASR-A Positive Negative Keyword-Aware Service Recommendation Methodology for Big Data Applications


    ترجمه فارسی عنوان مقاله:

    PNKASR - یک روش توصیف سرویس مثبت-منفی کلید واژه برای برنامه های داده بزرگ


    منبع:

    IEEE - 2016 - Inventive Computation Technologies (ICICT), International Conference on


    نویسنده:

    M. B. Gawali , H. P. Ambulgekar


    چکیده انگلیسی:

    A recommendation system has been appearing as an important method for giving suitable suggestions to users. In the latest years, the most of clients, administrations and network connected resources had developed quickly, yielding the huge data research problem for the administration recommendation system. The Recommendation system applies learning, revelation systems to the issue of making customized suggestions for data, items or administrations amid the live communication. The colossal development in the measure of accessible data and the increase in guests to the sites in the late years represents some key difficulties for recommender system. Today there is a major assortment of various methodologies and calculations of information separating and suggestion. A recommendation process is applied on items, items can be books, trains, music, video, hotels and things on which persons have many numbers of choices are available. These available many numbers of choices are anticipated using two essential methodologies first contentbased method which include attributes of an item and second collaborative filtering method which concentrate on past behavior of clients. Additionally, the greater part of present service recommender system show the equal rankings and ratings of services to various clients by not considering different clients requirements and therefore not able to fulfill clients actualize needs. For this method, we introduce a Positive Negative Keyword-Aware Service Recommendation strategy, abbreviated PNKASR, to minimize the raised difficulties and for accuracy point of view it also concentrate on negative review of the previous user. It aims to exhibit a customized service suggestion list and prescribing the most proper services to the clients adequately. To upgrade its efficiency and scalability in large size data environment, PNKASR is implemented on open-source framework Hadoop, a mostly used platform by taking MapReduce parallel processing tool.
    Keywords: Recommender System | Preference | Negative Preference | Big Data | MapReduce


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 7
    حجم فایل: 469 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