ایران ترجمه – مرجع مقالات ترجمه شده دانشگاهی ایران

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا – ایران ترجمه – Irantarjomeh

 

مقالات ترجمه شده آماده گروه کامپیوتر
مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات رایگان

مطالعه ۲۰ الی ۱۰۰% رایگان مقالات ترجمه شده

۱- قابلیت مطالعه رایگان ۲۰ الی ۱۰۰ درصدی مقالات ۲- قابلیت سفارش فایل های این ترجمه با قیمتی مناسب مشتمل بر ۳ فایل: pdf انگیسی و فارسی مقاله همراه با msword فارسی -- تذکر: برای استفاده گسترده تر کاربران گرامی از مقالات آماده ترجمه شده، قیمت خرید این مقالات بسیار کمتر از قیمت سفارش ترجمه می باشد.  

چگونگی سفارش

الف – پرداخت وجه بحساب وب سایت ایران ترجمه (شماره حساب) ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.com شامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر -- مقالات آماده سفارش داده شده عرفا در زمان اندک یا حداکثر ظرف مدت چند ساعت به ایمیل شما ارسال خواهند شد. در صورت نیاز فوری از طریق اس ام اس اطلاع دهید.

قیمت

قیمت این مقاله: ۲۲۰۰۰ تومان (ایران ترجمه - Irantarjomeh)

توضیح

بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.

مقالات ترجمه شده کامپیوتر - ایران ترجمه - irantarjomeh

www.irantarjomeh.com

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

شماره       
۲۰۹
کد مقاله
COM209
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
عملکرد ارزیابی الگوریتم های توصیه در زمینه خدمات اینترنت اشیا
نام انگلیسی
Performance evaluation of recommendation algorithms on Internet of Things services
تعداد صفحه به فارسی
۴۶
تعداد صفحه به انگلیسی
۱۱
کلمات کلیدی به فارسی
اینترنت اشیا, توصیه / پیشنهاد خدمات, نمودار سه وجهی, فیلترینگ تعاملی / مشارکتی, ابریال
کلمات کلیدی به انگلیسی
Internet of Things, Service recommendation, Tripartite graph, Collaborative filtering, Hyper-edge
مرجع به فارسی
مرکز نوآوری در جهت همگرایی داده های بزرگ و دیجیتال، دپارتمان علوم و مهندسی کامپیوتر، دانشگاه یانگزی، تایوان،
الزویر
مرجع به انگلیسی
Innovation Center for Big Data and Digital Convergence, Department of Computer Science and Engineering, Yuan Ze University, Taoyuan, Taiwan; Elsevier
سال
۲۰۱۶
کشور
تایوان

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

عملکرد ارزیابی الگوریتم های توصیه در زمینه خدمات اینترنت اشیا
چکیده
اینترنت اشیا (IoT) به عنوان موج بعدی انقلاب صنعتی به شمار می آید که سبب ایجاد خدمات بسیاری نظیر خدمات مراقبت های بهداشت شخصی و خدمات نظارتی انرژی سبز گردیده و اشخاص زیادی قابلیت استفاده راحت از آن را خواهند داشت. خدمات  و سرویس های توصیه / پیشنهاد اینترنت اشیا به کاربران، بر مبنای اشیایی که آنها در اختیار دارند، بعنوان یک راهکار  بسیار حیاتی برای کسب موفقیت IoT بشمار می آیند. در این تحقیق، ما نسبت به ارائه مفهوم سیستم های توصیه گر یا پیشنهاد دهنده خدماتی در مبحث اینترنت اشیا با توجه به یک مدل رسمی اقدام می نماییم، که خود به عنوان اولین تلاش در این مسیر تلقی شده و بر مبنای آن یک مدل ابر گراف برای سیستم توصیه گر اینترنت اشیا ارائه خواهد شد که در آن هر ابریال قابلیت اتصال کاربران، اشیا و خدمات به یکدیگر را خواهد داشت. متعاقباً، ما نسبت به بررسی کاربردپذیری طرح های توصیه متعارف اقدام نموده و رویکردهای ترکیبی یا هیبریدی آنها در زمینه توصیه خدمات اینترنت اشیا (IoTSRS) بر حسب رویه های سنجشی کاملاً شناخته شده موجود را بررسی خواهیم نمود. نتایج اولیه نشان دهنده آن می باشند که رویکردهای موجود از نقطه نظر منطقی دارای عملکرد خوبی هستند اما گسترش متعاقب آنها با توجه به IoTSRS ضروری می باشد. چالش های متعدد موجود در زمینه مخاطب قرار دادن رویه های توصیه آتی در مبحث IoTSR نیز ارائه خواهند شد.

کلمات کلیدی: اینترنت اشیا، توصیه / پیشنهاد خدمات، نمودار سه وجهی، فیلترینگ تعاملی / مشارکتی، ابریال

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

۱- مقدمه
انقلاب فنی در ارتباطات و رایانش جاسازی شده یا نهفته در سیستم های مختلف سبب ارائه الگوی جدیدی تحت عنوان اینترنت اشیا (IoT) شده است [۱]. اینترنت اشیا سعی در اتصال اشیاء منحصر به فرد مشخص شده و آبجکت های دارای آدرس خاص به اینترنت بر مبنای پروتکل های ارتباطاتی استاندارد می نماید. مثال های مربوط به این اشیاء شامل تلفن های هوشمند، توان سنج ها، سیستم های کنترل ضربان قلب، دماسنج ها و حسگرهای مختلفی می باشند که قابلیت تجهیز آنها با پردازشگر و حافظه جهت تبدیل آنها به اشیای هوشمند وجود دارد. تحلیل گران پیش بینی می نمایند که تعداد اشیای به هم پیوسته تا سال ۲۰۲۰ به ۲۱۲ بیلیون شی می رسد [۲].
امروزه، فراهم آورندگان خدمات طرف ثالث اقدام به ارائه سرویس های باارزش و نوآورانه بسیاری مبتنی بر اینترنت اشیاء نموده اند. به طور مثال، IoT برنامه بازاری اینترنت اشیای خود را در دسامبر ۲۰۱۴ با ارائه ۷۵ سرویس مختلف آغاز نمود و سعی دارد تا اواخر امسال این تعداد را به بیش از ۱۰۰ مورد افزایش دهد [۳]. شرکت Telus نیز دارای خدماتی همانند راه حل های مدیریت ناوگان، سیستم های نفت و گاز، سیستم های خرده فروشی، رستوران، ساخت و ساز و ایمنی عمومی می باشد. مثال دیگر ارائه اینترنت اشیاء در بازار شامل شرکت Libelium [۴] می باشد که ۵۴ برنامه کاربردی را بر مبنای اینترنت اشیاء با توجه به گروه بندی آنها به ۱۲ بازار عمودی ارائه نموده است: سیستم های محیطی شهری و از راه دور، کشاورزی و زراعت، کیفیت آب، امنیت و امور اضطراری، خرده فروشی، لجستیک، اتوماسیون خانگی و بهداشت الکترونیک.
با توجه به گذر زمان، اشیاء هوشمند بیشتری با خدمات بیشمار ارائه گردیده و کاربران می توانند به راحتی از ارزش های افزوده اینگونه از خدمات استفاده نمایند. چنین موردی، با توجه به وجود مجموعه های محتمل گسترده از خدمات، که بر مبنای اشیاء هوشمند مختلفی که در اختیار کاربران می باشند عمل می نمایند، سبب پیچیدگی بالا در ارتباط با خدمات مناسب توصیه  می شود. جهت حل این مشکل پیچیده، سیستم های توصیه گر یا پیشنهاد کننده (RSs) به عنوان یک راه حل کارآمد مدنظر می باشند [۵، ۶].
RSها به عنوان سیستم نرم افزاری به شمار می آیند که قابلیت تحلیل اطلاعات در خصوص اقلام، کاربران و تعاملات بین آنها به منظور توصیه مناسب ترین اقلام به کاربران از طریق پیش بینی موارد مورد علاقه آنها را خواهند داشت. RSها کارایی خود در حوزه های مختلف را نشان داده اند، مخصوصاً در حوزه های مربوط به تجارت الکترونیک این کارایی قابل توجه می باشد. با این وجود، چنین موردی به طور گسترده برای اینترنت اشیاء مورد بررسی و مطالعه قرار نگرفته است. این مقاله مشکل توصیه خدمات طرف ثالث اینترنت اشیاء به کاربران را در نظر گرفته و اقدام به ارزیابی کارایی الگوریتم های توصیه گر موجود در ارتباط با پیشنهاد خدمات اینترنت اشیاء نموده است. جهت حاصل آوردن چنین هدفی، ما در ابتدا اقدام به ارائه یک گراف سه وجهی برای سیستم های اینترنت اشیاء نموده و آن را بر مبنای سه گراف دو وجهی با توجه به استفاده از ابریال ها در ارتباط با کاربران، اشیاء و خدمات مورد توصیه به کاربران ارائه می نماییم. این گراف از طریق بررسی مالکیت کاربران در ارتباط با اشیاء، اشیاء بکار گرفته شده به وسیله خدمات مختلف، و همچنین عضویت کاربران برای استفاده از خدمات گوناگون ارائه شده است. دوماً، ما نسبت به فرمول بندی مسئله توصیه خدمات بر مبنای رویکرد گراف اقدام نموده و متعاقباً هویت های مختلف و ارتباطات ناهمگن را مورد تحلیل قرار می دهیم تا قابلیت مشخص سازی همبستگی های بین اشیاء، خدمات و کاربران را داشته باشیم. بر مبنای مدل گراف، ما الگوریتم های توصیه موجود مختلف را بکار گرفته و ترکیبات آنها را در خصوص بررسی رفتار آنها در ارتباط با توصیه خدمات اینترنت اشیاء مورد مطالعه قرار می دهیم. در نهایت، ما نسبت به ارزیابی ابریال های آنها بر مبنای برخی از رویه های سنجشی کاملاً شناخته شده نظیر ویژگی های فراخوانی، دقت و موارد دیگر اقدام می نماییم. نتایج معرف آن هستند که طرح های موجود از قابلیت مناسبی برخوردار هستند اما لازم است تا اقدام به گسترش آنها به منظور رویارویی با چالش های توصیه خدمات اینترنت اشیاء نماییم. تا آنجایی که اطلاع داریم، تحقیق ما به عنوان اولین تلاش جهت طراحی سیستم توصیه گر یا پیشنهاد کننده خدمات در زمینه اینترنت اشیاء به شمار می آید.
ادامه این مقاله به شرح ذیل سازماندهی شده است. بخش ۲ ارائه دهنده تحقیقات مرتبط و سیستم های توصیه گر یا پیشنهاد دهنده ارائه شده می باشد. بخش ۳ تشریح کننده معماری کلی این سیستم است. بخش ۴ یک مثال قابل توجه به منظور نشان دادن نیازهای ضروری در ارتباط با IoTSRS را ارائه می نماید. بخش ۵ مدل گراف مبنای سه وجهی پیشنهادی، با قابلیت استفاده از اطلاعات خدمات و اشیاء پیرامونی برای توصیه خدمات، را عرضه می نماید. متعاقباً، ما ویژگی های اینترنت اشیاء را در نظر گرفته و مدل رسمی الگوریتم IoTSRS را ارائه خواهیم نمود. بخش ۶ تشریح کننده مجموعه اطلاعاتی ما به صورت تفصیلی و رویه های سنجشی و ارزیابی استفاده شده به منظور ارزیابی IoTSRS می باشد. نتایج اولیه و ارزیابی های حاصله در بخش ۷ ارائه می شوند. در نهایت بخش ۸ به نتیجه گیری این مقاله می پردازد.

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

۲- تحقیقات مرتبط
RS های متعارف از تکنیک های مختلفی شامل فیلترینگ محتوا مبنا، CB، فیلترینگ تعاملی یا مشارکتی (CF)، و تکنیک های ترکیبی یا هیبرید استفاده می نمایند. همانگونه که از نام آن مشخص می باشد، CB نیازمند اطلاعات متنی در خصوص اقلام و رکوردهای مرتبط با سوابق کاربران است [۷]. اقلام توصیه شده یا پیشنهادی CB مشابه با آن دسته از اقلامی هستند که کاربران فعال قبلاً از آنها استفاده کرده یا آنکه به آنها علاقه دارند. چنین موردی بر مبنای توصیف مشخصه ها و پروفایل ترجیحات کاربران است. با این وجود، این مؤلفه نیازمند مکانیزمی جهت ارتباط محتوا با بسیاری از آبجکت ها یا اشیاء شبکه بندی شده ناهمگن می باشد. به علاوه، تنها اقلام کاملاً مشابه با اقلام قبلی مصرف شده به وسیله کاربران توصیه می شوند، که خود سبب ایجاد مشکلی در این رابطه خواهد شد [۸].
در مقابل با فیلترینگ CB، CF متکی به ارتباطات اقلام و محتویات آن نمی باشد [۹]. در عوض، این فرآیند متکی به گزینه های افراد دیگری است که اقدام به اشتراک گذاری یکسری از ویژگی های مورد علاقه مشابه نموده اند. CF نیازمند سیستم رتبه بندی اضافه جهت حاصل آوردن و ذخیره کردن رتبه های کاربران می باشد. CF توصیه های ارائه شده را از طریق مشخص سازی کاربرانی که دارای علایق مشابهی برای اقلام مشخص شده هستند را ایجاد نموده و آن دسته از اقلامی را توصیه می نماید که آن کاربران به آنها علاقه دارند. بر این مبنا مشخص شده است که CF را می توان به عنوان یک تکنیک قدرتمند در نظر گرفت که قابلیت تولید توصیه های با کیفیت بالا را داشته و از اینرو این سیستم به طور گسترده ای مورد استفاده قرار گرفته است.

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

۳- معماری IoTSRS
MUL-SWoT به عنوان سبک وزن ترین پلتفرم RESTful برای توسعه اینترنت اشیاء و وب اجتماعی اشیاء (SWoT) و برنامه های کاربردی و خدمات مرتبط با آن به شمار می آید. MUL-SWoT قابلیت برقراری ارتباط بین کاربران و اشیاء هوشمند آنها را خواهد داشت تا از این طریق اشیاء هوشمند بتوانند نسبت به برقراری ارتباط با سایت ها و شبکه های اجتماعی (SNS) اقدام نمایند [۲۷]. این پلتفرم قابلیت جمع آوری، ذخیره سازی و تحلیل داده های حاصل آمده از اشیاء هوشمند کاربران را داشته و متعاقباً می تواند اقدام به پشت نمودن داده ها بر روی SNS کاربران نماید. بنابراین، این سیستم به کاربران اجازه به اشتراک گذاری آبجکت ها یا اشیاء و خدمات مربوط به دوستان و اشخاص آشنا را می دهد. MUL-SWoT قابلیت ارائه یک RESTful API به منظور فراهم آوردن خدمات طرف ثالث جهت دسترسی به توابع MUL-SWoT را فراهم می آورد. طراحی MUL-SWoT شامل تعدادی از ماژول ها و زیر ماژول ها می باشد، همانگونه که در شکل ۱ نشان داده شده است.
جزء محوری این پلتفرم ماژول مدیریت MUL-SWoT می باشد که کلیه مؤلفه ها و اجزای مرتبط را مدیریت می نماید. ماژول مدیریت MUL-SWoT خود به تعدادی از زیرماژول ها تقسیم می شود: زیرماژول مدیر ارتباطات با قابلیت ارائه کلیه ارتباطات با استفاده از MUL-SWoT. زیرماژول رجیستری پیکربندی با قابلیت مدیریت و ذخیره سازی کلیه پیکربندی ها در خصوص سرویس ها و اشیاء. زیر ماژول مدیریت ابزاره با مسئولیت مدیریت کلیه اشیاء ثبت شده در MUL-SWoT. زیرماژول کنترل و نظارت با قابلیت کنترل اشیاء و خدمات و نظارت بر عملکردهای آنها بر مبنای پیکربندی های ذخیره شده.
یک جزء مهم MUL-SWoT ماژول مدیریت سرویس می باشد که مسئول مدیریت و ذخیره سازی اطلاعات در خصوص سرویس یا خدمات است. دو زیرماژول در مدیریت سرویس تحت عناوین مدیریت رجیستری سرویس طرف ثالث و توصیه گر سرویس طرف ثالث وجود دارند. زیرماژول مدیریت رجیستری سرویس طرف ثالث اقدام به کنترل و مدیریت حساب های طرف ثالث و کلیه خدمات رجیستر شده در MUL-SWoT می نماید. به علاوه، این زیرماژول قابلیت تولید ID سرویس برای فراهم آورنده سرویس طرف ثالث را خواهد داشت.

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

۴- مثال انگیزشی
در نظر بگیرید که یک رستوران و تولید کننده مواد غذایی با مالکیت باب خواستار کنترل شرایط مواد غذایی به منظور تطبیق با دستورالعمل ها و قوانین ایمنی مربوط به این مواد می باشد. به طور معمول، باب و مستخدمین وی به صورت دستی اقدام به جمع آوری و خواندن اطلاعات دمایی سیستم های تبریدی، فریزرها و اجاق گازهای خود نموده تا از این طریق مشخص سازد که آیا غذا در شرایط ایمن قرار دارد یا خیر. به منظور ارتقای دقت و کاهش زمان، باب اقدام به نصب تعدادی از حسگرها جهت اندازه گیری و گزارش نمودن دمای سیستم های تبریدی، دمای هوا، دمای غذا و رطوبت آن نموده است. با این وجود، چنین موردی برای ارضای نیازهای وی کفایت ندارد. بدون در اختیار داشتن یک ابزار قدرتمند با قابلیت جمع آوری و ذخیره سازی اطلاعات به منظور تحلیل آنها باب قابلیت اطمینان از ویژگی های تجاری خود را نداشته و نمی تواند از شهرت رستوران خود محافظت نماید. باب جهت کنترل سلامت مواد غذایی به چنین سرویسی احتیاج دارد یعنی نوعی سیستم مناسب که در صورت بروز مشکل اقدام های لازم را ارائه نماید (نظیر سیستمی که قابلیت ثبت مشکلات در سیستم های تبریدی را داشته باشد). به علاوه، باب خواستار کنترل وضعیت مواد غذایی می باشد به گونه ای که داده های حس شده از هر کجا و در هر زمان قابل دسترس باشند. بدین طریق باب سئوالاتی را در ارتباط با سیستم IoTSRS ما مطرح می نماید. این سیستم قابلیت ارائه یک ویژگی خدماتی IoTSRS مناسب که به وسیله شرکت SafeFood ارائه شده است را خواهد داشت. چنین موردی به بهترین وجهی در تناسب با نیازهای وی می باشد.

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

۵- رویکرد پیشنهادی
IoTSRS می بایست قابلیت جلب توجه کاربران به سمت خدمات جدیدی که هنوز مشترک آن نشده اند را داشته باشد. این خدمات می بایست برای اشیایی که کاربران آنها را در تملک دارند نیز مناسب باشد. در این رابطه، اشیاء ممکن است به وسیله بیش از یک سرویس مورد استفاده قرار گیرند، که به معنای آن خواهد بود که چنین سرویسی اقدام به اشتراک گذاری برخی از موارد در این رابطه نموده است. به منظور توسعه IoT اولین قدم ایجاد یک مدل اینترنت اشیاء می باشد. در این بخش، ما نسبت به فرمول بندی ایده سیستم های اینترنت اشیاء اقدام نموده و متعاقباً تکنیک های توصیه شایع متعدد که قابلیت ارزیابی در IoTSRS دارند را ارائه خواهیم نمود.
 
۵ـ۱٫ مدل رسمی برای IOT و تعریف مسئله
در IOT، ارتباط بین کاربران، اشیاء و خدمات را می توان به عنوان یک نمودار سه وجهی با ابریال های بین آنها همانگونه که در شکل ۲ در نظر گرفته شده است مدل سازی نمود. یک گراف سه وجهی در حقیقت به عنوان گرافی به شمار می آید که رأس های آن به سه مجموعه مجزا تقسیم شده است: U = {U1, U2, …, UM} که معرف m کاربر می باشد، O = {O1, O2, . . . , On} که معرف n شی است و S = {S1, S2, . . . , Sk} که معرف k سرویس می باشد. بر این مبنا ما نسبت به تعریف Y به عنوان یک رابطه سه گانه بین این سه جزء اقدام می نماییم که معرف اشتراک کاربران برای حاصل آوردن چنین خدماتی بر مبنای اشیایی می باشند که آنها در اختیار دارند. Y به شرح فرمول (۱) تعریف می گردد:
  1. محبوب ترین سرویس (MPS)
این رویکرد به عنوان اساسی ترین رویه ای به شمار می آید که اقدام به توصیه محبوب ترین سرویس ها یا خدمات به کاربران می نماید. برای هر کاربر u U و هر شی o O مجموعه یکسانی از خدمات یا سرویس ها S(u, o) توصیه می شوند. این مجموعه خدمات دارای وزن بر حسب فراوانی شمارش در کلیه Ys اشتراک خدمات می باشند. MPS به شرح ذیل ارائه می شود:
  1. محبوب ترین کاربر ـ سرویس (MPSU)
این مورد ارائه دهنده مکررترین یا فراوان ترین سرویس در داخل سرویس هایی می باشد که کاربران صرف نظر از اشیاء مرتبط عضو آن هستند. چنین موردی را می توان به عنوان یک افزونه شخصی MPS در نظر گرفت. بنابراین ما MPSU را به شرح ذیل تعریف می نماییم:
  1. محبوب ترین شی ـ سرویس (MPSO)
MPSA اقدام به ارائه یا پیشنهاد سرویس هایی می نماید که دارای مکررترین موارد با توجه به یک شی خاص صرف نظر از کاربران می باشند. ما MPSO را به شرح ذیل تعریف می نماییم:
  1. محبوب ترین شی ـ کاربر ـ سرویس (MPSUO)
این الگوریتم اقدام به ترکیب محبوب ترین کاربر ـ سرویس با محبوب ترین شی ـ سرویس نموده است. MPSUO به شرح ذیل تعریف می گردد:
  1. Servrank (SR)
Servrank خود الهام گرفته شده از الگوریتم معروف FolkRank است. ServRank اقدام به محاسبه بردار مرجع از گراف سه وجهی G = (V, E) می نماید، که در آن V = U S O به عنوان مجموعه کلیه رأس ها در آن گراف به شمار می آید، که خود متشکل از کاربران، اشیاء و سرویس ها است. E مجموعه ای از یال ها در گراف می باشد، که به وسیله سه ویژگی مشخص شده ابر گراف OS، UO و US حاصل گردیده همانگونه که در زیر بخش قبلی ارائه شده است. بردار ServRank به شرح ذیل ارائه می گردد:
  1. فیلترینگ تعاملی کاربر مبنا (UBCF)
IoTSRS همچنین اقدام به پیاده سازی الگوریتم شایع تحت عنوان CF می نماید. با این وجود، CF متعارف را نمی توان به صورت مستقیم بکار گرفت و می بایست آن را به منظور تعامل با ارتباطات سه گانه در گراف سه وجهی IOT تغییر داد. CF بر مبنای یافتن مشابهت بین کاربران u و v با استفاده از ماتریس مشابهت مختلف می باشد. در IoTSRS، کاربر u به عنوان یک بردار در مجموعه ای از سرویس ها مدلسازی می گردد که در آن وزن به صورت US (u, s) در نظر گرفته شده و همسایگان  یک کاربری u بر مبنای مجموعه ای از سرویس ها در پروفایل کاربر Yu شکل می گیرند و تنها زیر مجموعه Vs کاربران که به عنوان سرویس برای شی فعال o مشترک شده است به هنگام محاسبه مجاورت کاربر محاسبه می شود. تکنیک های متعددی جهت محاسبه مشابهت بکار گرفته شده اند. در IoTSRS، مشابهت جاکارد استفاده شده است. مجموعه n سرویس توصیه شده را متعاقباً می توان بر مبنای این مجاورت یا همسایگی به شرح ذیل تعیین نمود:
  1. فیلترینگ تعاملی شی مبنا (OBCF)
در IoTSRS، آبجکت یا شی o به عنوان یک بردار در مجموعه سرویس هایی مدلسازی شده است که در آن وزن به صورت OS (o, s) نشان داده شده است. به هنگامی که یک کاربر اقدام به انتخاب یک شی جهت عضویت در یک سرویس می نماید، مشابهت کسینوسی بین این شی و هر یک از اشیای دیگر محاسبه شده و همسایگان  متعاقباً ایجاد می گردند. بنابراین ما اقدام به تعریف OBCF به شرح ذیل نموده ایم:
  1. توصیه سرویس ترکیبی (HSR)
برخی از الگوریتم های فوق الذکر قابلیت کاربرد مناسبی به هنگام اجرا به صورت منفرد را نخواهند داشت. با ترکیب چندین الگوریتم واحد به یکدیگر قابلیت تولید یک توصیه گر ترکیبی کارآمد و ارتقاء یافته را خواهیم داشت که عملکرد آن بهتر از موارد دیگر تلقی می شود. IoTSRS اقدام به ترکیب چندین توصیه گر به منظور حاصل آوردن توصیه گرهای هیبرید یا ترکیبی نموده است.
الف. توصیه سرویس ترکیبی دو گانه (DHSR)
در DHSR، الگوریتم های سه تایی ارشد با یکدیگر ترکیب شده تا قابلیت حاصل آوردن سه DHSR به وجود آید. متعاقباً ما یک مدل خطی را انتخاب می نماییم که در آن قابلیت ترکیب جفت های توصیه گرها به توصیه گرهای ترکیبی وزن دار فراهم می شود که در آن هر مدل به صورت مجزا آموزش داده می شود. نتیجه نهایی DHSR به صورت نتیجه نرمالیده شده هر کدام از رویکردهای توصیه در مقیاس ۱ می باشد. مدل خطی ترکیبی به شرح ذیل ارائه شده است:
ب. توصیه سرویس ترکیبی سه گانه (THSR)
THSR اقدام به ترکیب سه الگوریتم ارشد با یکدیگر در یک الگوریتم از طریق بکارگیری ترکیب خطی وزن دار به شرح ذیل می نماید:

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

  1. مراحل تجربی
در این بخش ما نسبت به تشریح جزئیات مجموعه های اطلاعاتی، روش ارزیابی و ویژگی های سنجشی بکار گرفته شده جهت ارزیابی IoTSRS اقدام می نماییم. کدی که برای پیاده سازی IoTSRS بکار گرفته شده است بر مبنای کد متن باز ارائه شده به وسیله TagRec است [۲۸].
۶ـ۱٫ مجموعه های اطلاعاتی
جهت انجام ضروریات پایا، لازم است تا قابلیت استفاده از مجموعه های اطلاعاتی در مقیاس بزرگ را داشته باشیم که برای ارزیابی کارآمد الگوریتم های توصیه به عنوان یک ویژگی مهم تلقی می شوند. متأسفانه، عدم دسترسی به مجموعه های بزرگ داده ها در خصوص اشیاء، خدمات IoT و اشتراک کاربران در اینگونه خدمات از جمله نارسایی های مرتبط با این مبحث به شمار می آید. حاصل آوردن مجموعه های اطلاعاتی برای IoTSRS به منظور تست الگوریتم ها خود چالش برانگیز است. بنابراین، ما از داده های جهان حقیقی جهت ارزیابی الگوریتم توصیه استفاده می نماییم. پروفایل های سرویس و شی جهت حاصل آوردن ۱۱۰ شی یا آبجکت، ۹۰ سرویس ایجاد شده اند که از کاتالوگ های Libelium، Telus و blueRover جمع آوری گردیدند. یک مجموعه اطلاعاتی نیز از ۴۰۰ فرد حاصل شد. از هر شرکت کننده درخواست شد تا نسبت به انتخاب تعدادی از آبجکت ها یا شی های مربوط به خود یا موضوعاتی که خواستار مالکیت آنها در این زمینه می باشد اقدام نمایند. به علاوه، از کاربران درخواست شد تا به صورت فرضی اقدام به انتخاب خدمات IoT نمایند. بر این مبنا یکسری از رویه های استاندارد در زمینه تحقیقات توصیه گرها یا پیشنهادکننده ها دنبال شده و بر اساس آن مجموعه اطلاعاتی به شرح ذیل مشخص گردید: ۸۰ درصد مجموعه آموزشی، که جهت ایجاد لیست های توصیه بکار گرفته شد و ۲۰ درصد مجموعه آزمایشی که جهت تصدیق کیفیت توصیه ها مورد استفاده قرار گرفت.
۶ـ۲٫ روش ارزیابی
جهت ارزیابی کیفیت پیش بینی و عملکرد الگوریتم های مختلف پیاده سازی شده در IoTSRS، ما اقدام به مقایسه سرویس های توصیه شده ارشد با استفاده از مجموعه ای از روش های ارزیابی کاملاً شناخته شده به شرح ذیل نموده ایم.
  1. فراخوانی (R): که به عنوان یک رویه سنجشی در خصوص تکمیل نتیجه پیشنهادات یا توصیه ها به شمار می آید. فرآیند فراخوانی به عنوان تعداد سرویس های توصیه شده صحیح تقسیم بر تعداد خدمات مرتبط محاسبه می شود. این فرآیند به شرح ذیل تعریف شده است:

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

۷- نتایج اولیه
به منظور ارزیابی کارایی و مشخص سازی اعتبار الگوریتم های موجود بکار گرفته شده در IoTSRS، ما یکسری از آزمایشات را انجام دادیم. در این آزمایش، چندین متغیر ارائه شده است. در ابتدا، تعداد K مجاورت یا همسایگی در UBCF و OBCF از یک حالت افزایشی یک از صفر ارتقاء یافت. بهترین نتیجه به هنگامی حاصل آمد که K برابر با ۲۰ گردید. به هنگامی که K فراتر از ۲۰ می گردد، عملکرد بازده مناسبی را نخواهد داشت. دوماً، برای الگوریتم SR پارامتر D به میزان ۷/۰ تنظیم گردیده و تعداد تکرارها نیز برابر با ۱۰ در نظر گرفته شد. در نهایت، β نیز به ۵/۰ در MPSUO تنظیم شد.
۷ـ۱٫ ارزیابی عملکرد دیاگرام واحد
نتایج اولیه ارزیابی ما در خصوص مجموعه اطلاعاتی بر مبنای طرح های دقت / فراخوانی می باشد. شکل ۳ نشان دهنده این موارد در الگوریتم های توصیه می باشد. در مقایسه با الگوریتم های توصیه فردی، SR به عنوان قویترین توصیه گر فردی با بالاترین سطح دقت و میزان فراخوانی به شمار می آید. دومین مورد MPSO است که به معنای آن می باشد که الگوریتم های مبتنی بر تکرار یا فراوانی دارای عملکرد بهتری هستند آن هم به هنگامی که آنها آبجکت ها یا اشیاء را در نظر داشته باشند. MPSO قابلیت فراهم آوردن توصیه های مرتبط را خواهد داشت مخصوصاً به هنگامی که هیچگونه اطلاعات منطبقی در خصوص سرویس هایی که کاربران مشترک شده اند وجود ندارد. MPSO از عملکرد بهتری در مقایسه با الگوریتم های مبتنی بر فراوانی برخوردار است. MPSO بعنوان سومین رده از الگوریتم های توصیه گر بشمار می آید. MPSO دارای عملکرد بسیار بهتری در مقایسه با UBCF  می باشد که خود مشخص کننده آن است که این سرویس ها به طور مناسبتری بر حسب آبجکت ها یا اشیاء در مقایسه با کاربران مدلسازی شده اند. الگوریتم های دیگر نیز دارای عملکرد نسبتاً خوبی می باشند. با این وجود، کلیه الگوریتم های توصیه گر از عملکرد بهتری در مقایسه با الگوریتم MPS شخصی سازی نشده، که صرفاً معروفیت و یا محبوبیت یک سرویس را در نظر می گیرد، برخوردار هستند.
۷ـ۲٫ ارزیابی عملکرد DHSR
DHSR اقدام به ترکیب بهترین الگوریتم های توصیه گر سه گانه مرتبط می نماید که قبلاً آنها را مورد بحث قرار داده ایم. SR، MPSO و OBCF به عنوان موارد مناسب در الگوریتم های DHSR به حساب می آیند. در شکل ۴، ما مشاهده می نماییم که سه رویکرد DHSR به طور قابل توجهی فراتر از اجزای دیگر عمل می نمایند. بر این مبنا ما نسبت به ارزیابی وزن های α و β در بازه های افزایشی ۰۵/۰ جهت بررسی هر یک از ترکیبات محتمل اقدام نمودیم. برای OBCF+MPSO DHSR بهترین نتایج به هنگامی حاصل می شود که α = ۰٫۲۰ و β = ۰٫۸۰ به دست آید، به معنای آنکه MPSO دارای تعامل ۸۰ درصدی DHSR و OBCF از تعامل ۲۰ درصدی برخوردار می باشد. بهترین نتایج برای SR + OBCF به هنگامی حاصل خواهد شد که α = ۰٫۸۵ و β = ۰٫۱۵ به دست آید، به معنای آنکه SR از تعامل ۸۵ درصدی مدل ترکیبی و OBCF از ویژگی ۱۵ درصدی برخوردار هستند آن هم با نگاه به دقت / فراخوانی آنها، و بر این مبنا OBCF + MPSO و SR + OBCF حاصل آورنده نتایج تقریباً یکسانی هستند. علت این امر به واسطه این حقیقت است که OBCF به عنوان بدترین الگوریتم در بین این سه مورد به حساب می آید. با وجود آنکه تعامل OBCF در DHSR محدود است، اما در عین حال سبب تنزل نتیجه کلی DHSR می شود. SR + MPSO بهترین عملکرد را در ارتباط با DHSR حاصل می آورد، آن هم به هنگامی که α و β به ۷۰ و ۳۰ درصد برای SR و MPSO به ترتیب تنظیم شوند. SR + MPSO قابلیت اضافه نمودن توان مناسبی را به SR بر مبنای الگوریتم های مبتنی بر فراوانی خواهد داشت که بر این مبنا توانایی حاصل آوردن نمره بالاتر را به دست می آورد.
۷ـ۳٫ ارزیابی عملکرد THSR
در THSR، سه الگوریتم توصیه MPSO، OBCF و SR در ترکیب با یکدیگر قابلیت ارائه یک ویژگی مناسب و هیبریدی را حاصل می آورند. MPSO + OBCF + SR دارای عملکرد بسیار خوبی می باشد و بهتر از تعاملات مربوط به دیگر اجزا است و از کارایی بهتری در مقایسه با الگوریتم های DHSR نیز برخوردار است. این موقعیت به هنگامی حاصل خواهد شد که α = ۰٫۱۰، β = ۰٫۴۰ و γ = ۰٫۵۰ به دست آیند. با توجه به آنکه تعامل SR در ارتباط با ویژگی ترکیبی به میزان ۵۰ درصد می باشد، MPSO نیز حاصل آورنده ۴۰ درصد برای چنین مدلی است و تعاملات باقیمانده نیز ناشی از OBCF خواهد بود. شکل ۵ نشان دهنده عملکرد THSR می باشد.

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

۸- نتیجه گیری
توصیه خدمات یا سرویس ها در اینترنت اشیاء به عنوان یک ویژگی مهم جهت تسهیل معروفیت و عمومیت IoT به شمار می آید. در این مقاله، ما نسبت به بررسی احتمالات مشخص سازی و بکارگیری الگوریتم های توصیه موجود مخصوصاً الگوریتم گراف مبنا در اینترنت اشیاء اقدام نمودیم. ما یک مدل گراف مبنا را برای سیستم های اینترنت اشیاء عرضه داشته و نشان دادیم که چگونه الگوریتم توصیه گراف مبنای موجود قابلیت گسترش به خدمات توصیه شده در اینترنت اشیاء را خواهد داشت. نتایج آزمایشات ما نه تنها مؤکد آن هستند که طرح های بکار گرفته شده برای توصیه گراف سه وجهی از نقطه نظر منطقی عملکرد مناسبی را ارائه می نمایند، بلکه برخی از طرح های هیبریدی یا ترکیبی نیز از نتایج با کیفیت بالایی برخوردار می باشند. با این وجود، مدل گراف کنونی برای توصیه سرویس اینترنت اشیاء بسیار بدوی می باشد. چنین موردی قابلیت حاصل آوردن ویژگی های محلی تعاملات بین حسگری و تحرک حسگرها در سرویس های اینترنت اشیاء را ندارد. بنابراین، مدل موجود را می بایست به گونه ای گسترش داد تا قابلیت مشخص سازی ویژگی های جدید و طرح های نوین و توسعه آنها وجود داشته باشد.

ارزیابی الگوریتم های توصیه خدمات اینترنت اشیا

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
تماس با ما

اکنون آفلاین هستیم، اما امکان ارسال ایمیل وجود دارد.

به سیستم پشتیبانی سایت ایران ترجمه خوش آمدید.