دسته بندی:

مدیریت بازرگانی - Business Management

---

سال انتشار:

2015

---

ترجمه فارسی عنوان مقاله:

یک روش فیلتر مشارکتی برای توصیه نمودن نشست های OLAP

---

عنوان انگلیسی مقاله:

A collaborative filtering approach for recommending OLAP sessions

---

منبع:

Sciencedirect - Elsevier - Decision Support Systems 69 (2015) 20–30

---

نویسنده:

Julien Aligon a, Enrico Gallinucci b, Matteo Golfarelli b, Patrick Marcel a,⁎, Stefano Rizzi b

---

چکیده انگلیسی:

While OLAP has a key role in supporting effective exploration of multidimensional cubes, the huge number of aggregations and selections that can be operated on data may make the user experience disorientating. To address this issue, in the paper we propose a recommendation approach stemming from collaborative filtering. We claim that the whole sequence of queries belonging to an OLAP session is valuable because it gives the user a compound and synergic view of data; for this reason, our goal is not to recommend single OLAP queries but OLAP sessions. Like other collaborative approaches, ours features three phases: (i) search the log for sessions that bear some similarity with the one currently being issued by the user; (ii) extract the most relevant subsessions; and (iii) adapt the top-ranked subsession to the current users session. However, it is the first that treats sessions as first-class citizens, using new techniques for comparing sessions, finding meaningful recommendation candidates, and adapting them to the current session. After describing our approach, we discuss the results of a large set of effectiveness and efficiency tests based on different measures of recommendation quality
Keywords: OLAP | Similarity measures | Query recommendation | Personalization

---

چکیده فارسی:

در حالیکه OLAP دارای نقشی کلیدی در پشتیبانی از اکتشاف مؤثر مکعب های چند بُعدی است، ممکن است تعداد زیادی از انبوهش ها و انتخاب هایی که می توانند بر اساس داده ها عمل کنند، موجب تجربه کردن فقدان جهت گیری مناسب از سوی کاربران شوند. به منظور پرداختن به این موضوع، ما در این مقاله یک روش توصیه ی نشأت گرفته از فیلتر مشارکتی را پیشنهاد نمودیم. ما ادعا می کنیم که دنباله ی کامل جستارهای متعلق به یک نشست OLAP ارزشمند است، چرا که به کاربر دیدگاهی ترکیبی و توأمان از داده ها می دهد؛ به این خاطر هدف ما توصیه نمودن نشست های OLAP و نه جستارهای OLAP تنهاست. همانند دیگر روش های مشارکتی، روش ما نیز سه مرحله دارد: (1) جستجوی فهرست نشست هایی که دارای برخی شباهت-ها با موردی هستند که به تازگی دلخواه کاربر بوده است؛ (2) استخراج مرتبط ترین نشست های فرعی؛ و (3) تطبیق برترین نشست های فرعی با نشست های جاری کاربر. با اینحال، برای اولین بار است که با نشست ها به عنوان شهروندان درجه اول برخورد شده، و با استفاده از تکنیک های جدید برای مقایسه ی نشست ها کاندیدهای توصیه شده ی معناداری را تعیین نموده، و با نشست های کنونی تطبیق داده می شوند. پس از توصیف روش، در رابطه با نتایج مجموعه ی بزرگی از تست های اثربخشی و بهره وری مبتنی بر معیارهای مختلف کیفیت توصیه های ارائه شده بحث می کنیم.
کلمات کلیدی: OLAP | معیارهای تشابه | توصیه ی جستار | شخصی سازی

---

---

---

---

حجم فایل: 475 کیلوبایت

---

قیمت: 54000 تومان   

---

توضیحات اضافی:

---

---

---