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


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

[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. 
 
دوره 11، شماره 4 - شماره پیاپی 44
(شماره پیاپی 44، فصلنامه زمستان)
اسفند 1402
صفحه 61-73
  • تاریخ دریافت: 21 مهر 1402
  • تاریخ بازنگری: 19 آذر 1402
  • تاریخ پذیرش: 02 دی 1402
  • تاریخ انتشار: 28 دی 1402