یک سیستم توصیه گر در اینترنت اشیا با استفاده از ماشین بردار پشتیبان و مدل تصمیم گیری چندمعیاره تاپسیس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد آیت‌الله آملی، آمل، ایران.

2 دانشجوی کارشناسی‌ارشد، دانشگاه آزاد اسلامی، واحد آیت‌الله آملی، آمل، ایران.

چکیده

اینترنت اشیاء، یک معماری نوظهور اطلاعاتی مبتنی بر اینترنت است که تعامل بین اشیا و خدمات را در محیطی امن و قابل-اطمینان توسعه می‌دهد. درواقع هدف این ساختار، کاهش فاصله بین اشیای دنیای فیزیکی و سیستم‌های اطلاعاتی است. در بحث اینترنت اشیاء، انتظار می‌رود که اشیای هوشمند به عضو فعالی در کسب‌وکار و فرآیندهای اطلاعاتی و اجتماعی تبدیل شوند، به‌طوری‌که قادر باشند بین خودشان و محیط بیرونی از طریق تبادل داده و اطلاعات حس شده، تعامل داشته باشند. درواقع، اینترنت اشیاء، شبکه‌‌ای از اشیاء است که در آن اشیاء مختلف می‌تواند به کمک کامپیوتر و از طریق ارتباطات اینترنتی با سایر تجهیزات ارتباط برقرار کنند. در محیط اینترنت اشیاء، هریک از این اشیا تحت کنترل تعدادی سرویس‌دهنده قرار دارند و به‌عبارتی‌دیگر، این سرویس‌دهنده‌ها هرکدام به تعدادی از اشیا سرویس ارائه می‌دهند. کاربران با توجه به نوع نیازشان هرکدام تعدادی از خدمات ارائه‌شده توسط این سرویس‌دهنده‌ها را به کار می‌گیرند. در این میان مسئله‌ای که از اهمیت بالایی برخوردار است، توصیه سرویس‌دهنده‌هایی است که استفاده از آن‌ها برای کاربران مفیدتر و بهینه‌تر است. برای رسیدن به چنین هدفی از سیستم‌های توصیه‌گر استفاده می‌شود. وظیفه اصلی سیستم‌های توصیه‌گر، توصیه سرویس‌دهنده‌هایی است که مطابق با نیازهای مختلف کاربران باشند. در این پژوهش یک سیستم توصیه گر جدید پیشنهاد شد که ویژگی‌های کاربران و خدمات موجود در شبکه اینترنت اشیا را در نظر گرفته و بر اساس پارامترهای ارائه شده، اقدام به توصیه خدمات بهینه متناسب با نیاز کاربران می‌کند. نوآوری این پژوهش، استفاده از الگوریتم ماشین بردار پشتیبان و مدل تصمیم‌گیری چند معیاره تاپسیس به منظور ایجاد یک سیستم توصیه‌گر کارا و ارائه پیشنهادات به کاربران بر اساس ترجیحات آنها و افزایش رضایت کاربران است. نتایج تجربی نشان می‌دهد که سیستم توصیه‌گر ارائه‌شده می‌تواند یک سری توصیه‌های عینی تولید کند که بر اساس دقیق و متنوع بودن، تازگی و پوشش بالایی کارایی دارد.

کلیدواژه‌ها

عنوان مقاله [English]

A Recommender System Using a Support Vector Machine and the TOPSIS Model in the Internet of Things

نویسندگان [English]

  • Mohammadmehdi hassani 1
  • Eshrat sarmadi 2
1 Assistant Professor, Technical and Engineering Faculty, Islamic Azad University, Ayatollah Amoly branch, Amoly, Iran.
2 Master's student, Islamic Azad University, Ayatollah Amoli Unit, Amol, Iran.
چکیده [English]

The Internet of Things is an emerging information architecture based on the Internet that develops interaction between things and services in a safe and reliable environment. In fact, the purpose of this structure is to reduce the distance between the things of the physical world and information systems. In the Internet of Things, it is expected that intelligent devices will become active members in business and informational and social processes, so that they are able to interact between themselves and the external environment through the exchange of data and sensed information. In fact, the Internet of Things is a network of devices in which various things can communicate with other equipment with the help of computers and through Internet connections.  Recommendation technologies can help to more easily identify relevant artifacts and thus will become one of the key technologies in future IoT solutions.  The main task of recommender systems is to recommend service providers that meet the different needs of users. The paper porposes a Support Vector Machine (SVM) based algorithm and the TOPSIS multi-criteria decision-making model in order to create an effective recommender system and provide suggestions to users based on their preferences and increase user satisfaction. The experimental results show that the proposed recommender system can produce a series of objective recommendations that are effective based on accuracy and variety, novelty and high coverage. Finally, the results confirm the improvement in making recommendations .
 

کلیدواژه‌ها [English]

  • Internet of Things
  • Recommender System
  • Internet service
  • Support Vector Machine (SVM)
  • Technique of Order Preference for Similarity to Ideal Solution (TOPSIS)
  • multi-criteria
  • decision model . 

Smiley face

https://creativecommons.org/licenses/by/4.0/ This article is licensed under a Creative Commons Attribution 4.0 International License (CC BY 4.0) CopyRight (C) Authors

مراجع

[1]     A. Mattioli, and F.  Patern, “A Visual Environment for End-User Creation of IoT Customization Rules with Recommendation Support,” In Proceedings of the International Conference on Advanced Visual Interfaces, New York, NY, USA: Association for Computing Machinery, 2020, pp.1-5.
[2]     A.S. Devasthali, et al., “IoT Based Inventory Management System with Recipe Recommendation Using Collaborative Filtering,” Evolutionary Computing and Mobile Sustainable Networks, Vol. 53, pp. 543–550, August 2020.
[3]     A. Gyrard,  and S. Amit, “IAMHAPPY: Towards an IoT Knowledge-Based Cross-Domain Well-Being Recommendation System for Everyday Happiness,” Smart Health, Vol. 15, pp. 100-118, March 2020.
[4]     S. Beg, et al., “A Privacy-Preserving Protocol for Continuous and Dynamic Data Collection in IoT Enabled Mobile App Recommendation System (MARS),” J. Netw. Comput. Appl, Vol. 174, pp. 102-124, January 2021.
[5]     I. Mashal, T. -Y. Chung and O. Alsaryrah, "Toward service recommendation in Internet of Things," 2015 Seventh International Conference on Ubiquitous and Future Networks, 2015, pp. 328-331. 
[6]     N. Sachdeva, R.  Dhir, and A. Kumar,  “Empirical Analysis of Machine Learning Techniques for Context Aware Recommender Systems in the Environment of IoT,” In Proceedings of the International Conference on Advances in Information Communication Technology & Computing, AICTC ’16, 2016,  pp. 1–7.
[7]     J. Pashaei, S. Yousefi, and B. Masoum, “Efficient Service Recommendation Using Ensemble Learning in the Internet of Things (IoT),” J Ambient Intell Humaniz Comput, Vol. 11, No. 3, pp. 1339–1350, 2020.
[8]     B. Cao, et al.,  “QoS-Aware Service Recommendation Based on Relational Topic Model and Factorization Machines for IoT Mashup Applications,” J Parallel Distrib Comput , Vol. 132, pp. 177–189, October 2019.
[9]     S. Di Martino, and S. Rossi, “An Architecture for a Mobility Recommender System in Smart Cities,” Procedia Comput. Sci., Vol. 98, pp. 425–430, 2016.
[10]  S. Forouzandeh, et al., “Recommender system for Users of Internet of Things (IOT),” Int. J. Netw. Secur, Vol. 17, No. 4, pp. 47-56, 2017.
[11]  H. Jeong, et al., “Big Data and Rule-Based Recommendation System in Internet of Things,” Cluster Comput, Vol. 22, pp. 1837–184, 2019.
[12]  B. Twardowski and D. Ryzko, "IoT and Context-Aware Mobile Recommendations Using Multi-agent Systems," 2015 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT), 2015, pp. 33-40.
[13]  X. Wen, “Using Deep Learning Approach and IoT Architecture to Build the Intelligent Music Recommendation System,” Soft Comput, Vol. 25, pp. 3087–3096, October 2020
[14]  X. Cai, et al., “A Hybrid Recommendation System with Many-Objective Evolutionary Algorithm,” Expert Syst. Appl, Vol. 159, pp. 113-148, November 2020.
[15]  W. Gong, et al., “Diversified and Compatible Web APIs Recommendation in IoT,” arXiv:2107.10538 [cs], 2021
[16]  M. Lihong, Z. Yanping and Z. Zhiwei, "Improved VIKOR Algorithm Based on AHP and Shannon Entropy in the Selection of Thermal Power Enterprise's Coal Suppliers," 2008 International Conference on Information Management, Innovation Management and Industrial Engineering, 2008, pp. 129-133. 
 
پدافند الکترونیکی و سایبری
دوره 11، شماره 4 - شماره پیاپی 44
(شماره پیاپی 44، فصلنامه زمستان)
اسفند 1402
صفحه 61-73

فایل ها

سابقه مقاله

  • تاریخ دریافت: 21 مهر 1402
  • تاریخ بازنگری: 19 آذر 1402
  • تاریخ پذیرش: 02 دی 1402
  • تاریخ انتشار: 28 دی 1402

هم رسانی

ارجاع به این مقاله

آمار