مشاوره انجام پروپوزال ارشد انجام پایان نامه دکتری تهران تبریز اصفهان شیراز

 تجمیع  ترجیحات  (بیان  شده  در  قالب   رتبه  بندی ) از  متخصصین   مختلف  یک  موضوع  مهم  در حوزه  های   گوناگون  می  باشد .  هدف   مسئله  ی  رتبه  بندی   محاسبه  ی   رتبه  بندی   تجمیع شده   می  باشد  که   فاصله  ی  کمی  با    نظر  سنجی جهانی  دارد .  این  فرض   وجود  دارد که  این  رتبه  بندی  ها   کامل  هستند  و  تمامی  این  مولفه  ها صریحا  توسط  کارشناس   رتبه  بندی می  شوند .  این  فرضیه  به  سادگی    زمانی  که  به  عنوان  مثال  تنها  آیتمهای   تاپ    رتبه  بندی  می شوند  صادق  نمی  باشد  اما   رتبه  بندی  جزئی  را  می  تواند   ایجاد  نماید  .  این  مقاله   مسئله  ی   رتبه  بندی  کمی   وزنی  را  برای  رتبه  بندی های  جزئی   تدوین  می  نماید  .  مسئله  ی    رتبه  بندی  کمی  قادر  است  تا  رتبه  بندی  های  جزئی  را  از  کارشناسان  متعدد  تجمیع  نماید  و  این   زمانیست که  تنها  تعداد  محدودی  از  مولفه ها ی  مرتبط    به  صورت   صریح  رتبه  بندی  می  شوند  و  این  تعداد  ممکن  است   از  دیدگاه   یک   کارشناس   به  کارشناس   دیگر  متفاوت  باشند .  علاوه   بر این  این  مقاله  دو  راهبرد  را  برای  تعیین  وزن   هر   رتبه  بندی  جزئی  بیان  می  دارد .  این  مسئله  در  حوزه  ی  بهینه  سازی  ترکیبی  قرار دارد  و  وابسته  به  الگوریتم  متائوری  بهینه  سازی  کلونی  مورچه   می  باشد  و  راه  حلهایی  با  کیفیت  بالا  را  ارائه  می  دهد . شواهد  نشان  می  دهند  که  راه  حل  مبتنی  بر ACO بطور   قابل  توجهی  از  رویکرد  های  تکاملی  دیگر ، عملکرد  بالایی  را دارد  و  این   موضوع   هنگام  برخورد  با  مسئله  ی  رتبه  بندی  کمنی  بسیار  موثر می  باشد 

برای رتبه بندی پیش فرض غیر شخصی در بازار های پویا PageRank استفاده از
الگوریتمهای رتبه بندی پیش فرض(PCRA) جهت ایجاد رتبه بندی محصولی غیر شخصی برای مصرف کنندگان استاندارد در فروشگاههای آنلاین مورد استفاده قرار می گیرند . رتبه بندی های پیش فرض بدون داشتن هر گونه اطلاعات در رابطه با اولویتهای مصرف کننده ایجاد می شوند . این مطالعه استفاده از الگوریتم رتبه بندی مرکزی محصول را که مسائل الگوریتمهای رتبه بندی پیش فرض موجود را حل می کنند جل می کند پیشنهاد می نماید . رویکرد های موجود در رتبه بندی یا به دلیل متکی بودن بر یک ویژگی محصول دقت پایینی را دارند ویا قادر به رتبه بندی محصولات به روز و جدید نیستند زیرا که از رفتار گذشته ی مصرف کننده نظیر رتبه بندی ها و یا فروشهای پیشین استفاده می کنند . PCRA از محوریت PAGERANK محصولات برای تعیین رتبه ی آنها استفاده می کند . گراف غالب محصول ، محصولات را به صورت گره هایی مدلسازی می کند . در یک تجربه ی آزمایشگاهی با سه دسته از محصولات ( لامپهای صرفه جوی انرژی ، اتاقهای هتل و مشینهای شستشو ، PCRA منجر به رتبه بندی دقیقی نسبت به سایر رویکرد های موجود می شود. PCRA لامپها و ماشینهای شست و شو را که مصرف کنندگان ترجیح می دهند در رتبه ای قرار می دهند که 1.5 برابر بیشتر از رتبه بندی پیش فرض می باشد . تنها مرتب کردن قیمت اتاقهای هتل به صورت صعودی منجر به شکست روش PCRA شد . قیمت مهمترین ویژگی اتاقهای هتل برای مصرف کننده می باشد و لذا رتبه بندی که تنها قیمت را مورد ملاحظه قرار دهد می تواند فراتر از رتبه بندی هایی باشد که چند ویژگی را مورد ملاحظه قرار می دهند و PCRA از این نوع رتبه بندی هاست که به هر ویژگی وزن مشخص و برابری را می دهد . به طور خلاصه PCRA برای محصولانی که مصرف کنندگان بیش از یک ویژگی را در نظر دارند قابل اجرا می باشد و در بازار هایی به کار می رود که در آنها مجموعه ی محصولات بطور مداوم در حال تغییر باشند .