شکل ۲-۸۹ : زمان توزیع برای هر انتقال تخمین زده می‌شود [۴۴]
پایان نامه - مقاله - پروژه
با توجه به N مستقل و مشاهده توزیع یکسان (x1,……., xN ) برای زمان‌های انتقال بین دو حالت و تابع احتمال اینگونه است:
با جایگزین کردن فرمول (۲-۳۰) در (۲-۳۱) و پیدا کردن بیشترین مقدار ، ما ماکزیمم را با نسبت K دریافت می‌کنیم:
داده آزمایشی به دو بخش تقسیم می‌شود، قسمت اول شامل تمام اهداف موفقیت و قسمت دوم شامل همه اهداف ناموفق. سپس پارامترهای توزیع گاما را یک‌بار برای هر انتقال در هر مدل تخمین می‌زند با توجه به یک هدف جدید، احتمالی که از زمان انتقال در مدل موفقیت تولید شده و احتمالی که از مدل شکست تولید می‌شود را تخمین می‌زند. نسبتی از این دو احتمال می‌تواند به عنوان ویژگی، همراه با احتمال نسبی از مدل‌های زنجیره‌ای برای پیش‌بینی موفقیت استفاده شود. فرض بر این است که بعضی انتقالات زمان توزیع متفاوتی برای مدل شکست یا موفقیت دارند. از این رو نسبت احتمال از زمان انتقال به عنوان پیش‌بینی موفقیت استفاده می‌شود. شکل (۲-۹) زمان توزیع تخمین زده شده برای زمان انتقال بین یک کلیک روی نتیجه جستجو و یک پرس‌وجوی فرستاده شده را مقایسه می‌کند. شکل نشان می‌دهد که کاربر تمایل دارد زمان بیشتری را روی نتایج جستجو در اهداف موفق بگذراند.
شکل ۲-۹ ۱۰:: زمان‌های توزیع انتقال برای اهداف جستجوی موفق و ناموفق[۴۴]
آزمایش مدل
داده‌ها شامل ۲۷۱۲ هدف به دست آمده از ورود پرس‌و‌جو از یک موتور جستجوی تجاری است. و نتایج از نظر دقت[۸۷]، فراخوانی[۸۸]، f-measure [۸۹]و درستی[۹۰] ارزیابی می‌شوند.
ویژگی‌های ایستا مبتنی بر رفتار کاربر: نخستین موضوعی که مطرح می‌شود مشکل یادگیری ماشین کلاسیک است حال مجموعه‌ای از ویژگی‌ها و آموزش دسته بندی استفاده از آن‌ها مطرح می‌شود. تعدادی از ویژگی‌ها تست می‌شود و آن‌هایی که بهتر انجام شده‌اند در زیر آورده شده است.
تعداد پرس‌و‌جوها در طی رسیدن به هدف
تعداد کلیک‌ها در طی رسیدن به هدف
تعداد کلیک‌ها روی نتایج تضمینی در طول رسیدن به هدف
تعداد کلیک روی صفحه بعدی در طی رسیدن به هدف
تعداد کلیک‌ها روی پیشنهادات املایی در طی رسیدن هدف
تعداد کلیک‌ها روی میانبرها در طی رسیدن به هدف
بیشترین زمان بین کلیک‌ها در طی رسیدن به هدف
کمترین زمان بین کلیک‌ها در طی رسیدن به هدف
میانگین زمان برای اولین کلیک در طی رسیدن به هدف
محدوده زمان هدف
متوسط زمان ساکن ماندن
ویژگی مهمی که در نظر گرفته شده زمان ساکن ماندن [۹۱] است. زمان ساکن ماندن از یک کلیک، مدت زمان بین کلیک و اقدام بعدی است. زمان همه کلیک‌ها در هدف محاسبه می‌شود و از بیشترین، کم‌ترین، و متوسط زمان سپری‌شده به عنوان ویژگی‌هایی برای پیش بینی موفقیت استفاده می‌شود.
شکل ۲-۱۰: منحنی Precision-Recall برای مدل مارکو (MML) و دسته بندی ویژگی‌های ایستا ]۴۴[
جدول ۲-۵ : اندازه گیری دقت، فراخوانی، F1، و درستی برای حالت‌های مختلف[۴۴]
آزمایشات تا اینجا فقط با بهره گرفتن از دنباله‌ی اقدامات کاربر و بدون در نظر گرفتن زمان بوده است. زمان توزیع گاما را به هر انتقال برای هر دو مدل موفقیت و عدم موفقیت اضافه می‌شود در شکل (۲-۱۱) دیده می‌شود که استفاده از زمان به تنهایی خیلی خوب بوده و خیلی بهتر از استفاده از ویژگی‌های ایستا است که قبلاً توضیح داده شد. دیده می‌شود که استفاده از زمان به تنهایی حتی از مدل دنباله عمل MML در شرایط فراخوانی پایین بهتر است. ولی، مدل دنباله عمل مارکو برای مقادیر متوسط و زیاد فراخوانی بهتر است.
شکل ۲-۱۱۱۱ : منحنی Precision-Recall برای احتمال مدل مارکو همراه با زمان و بدون زمان]۴۴[
در جدول (۲-۶)نسبت شانس انتقال از پرس‌و‌جو به عملیات‌های دیگر در اهداف موفق در مقایسه با اهداف ناموفق نشان داده شده است. دیده می‌شود که در اهداف موفق، احتمالاً کاربران دو برابر بر روی میانبرها، و نزدیک به دو برابر روی یک نتیجه جستجو کلیک می‌کنند. کاربران به احتمال زیاد روی پیشنهادات املایی نیز کلیک می‌کنند و یک پرس‌وجوی جدید بدون کلیک روی نتایج جستجو در اهداف غیر موفق را ارسال می‌کنند. به احتمال ده برابر اهداف ناموفق بدون کلیکی پایان می‌یابند.
در جدول (۲-۷) نسبت شانس احتمالات انتقال به حالت نهایی در مدل موفقیت با مدل شکست مقایسه شده است. اهداف موفق به احتمال زیاد از کلیک‌های نتیجه جستجو به حالت نهایی انتقال می‌یابند، در حالی که اهداف ناموفق با احتمال بیشتر از یک پرس‌و‌جو یا یک جستجوی مرتبط به حالت نهایی انتقال می‌یابد.
جدول ۲-۶ : نسبت شانس انتقال از پرس‌و‌جو به عملیات‌های دیگر در اهداف موفق در مقایسه با اهداف ناموفق [۴۴]
جدول۲- ۷ : نسبت شانس انتقال به حالت نهایی در مدل موفقیت و مدل شکست [۴۴]
یک مدل مارکو از رفتار کاربر شامل دنباله‌ای از همه پرس‌و‌جوها و کلیک‌ها در یک جستجوی کاربر و همین‌طور زمان بین فعالیت‌ها برای پیش‌بینی موفقیت کاربر در هدفش نشان داده شد.
فصل سوم
شرح روش پیشنهادی
۳-۱ تحلیل یک سیستم چند معیاره
برای تحلیل یک سیستم چند معیاره باید عناصر آن را به خوبی شناخت و آن‌ها را به طور دقیق تعریف کرد و سپس به مدل‌سازی و تجزیه و تحلیل آن پرداخت. به طور کلی می‌توان گفت مسائل تصمیم‌گیری چند معیاره MCDM شامل ۶ مؤلفه می‌باشند:
یک هدف یا مجموعه‌ای از اهداف
تصمیم گیرنده (DM) یا گروهی از تصمیم گیران
مجموعه‌ای از معیارهای ارزیابی
مجموعه‌ای از گزینه‌های تصمیم
مجموعه‌ای از متغیرهای مجهول یا متغیرهای تصمیم
مجموعه‌ای از نتایج حاصل شده از هر زوج گزینه – معیار
عنصر مرکزی این ساختار، یک ماتریس تصمیم است که شامل مجموعه‌ای از سطرها و ستون‌هاست. این ماتریس نتایج تصمیم را برای مجموعه‌ای از گزینه‌ها و معیارهای ارزیابی بیان می‌کند.
۳-۲ بررسی فرایند تصمیم‌گیری چند شاخصه
فرایند تصمیم‌گیری چندشاخصه[۹۲] (MADM)، شامل چهار مرحله اساسی: شناسایی و ارزیابی، وزن دهی، انتخاب گزینه نهایی یا اولویت بندی گزینه‌ها با بهره گرفتن از یکی از روش‌های MADM و تحلیل حساسیت می‌باشد. فرایند تصمیم‌گیری چندشاخصه در شکل (۱-۳) نشان داده شده است.
شناسایی شرکت کنندگان و تصمیم‌گیر
انتخاب گزینه‌ها
شناسایی و ارزیابی

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...