ارایه یک مدل پیش بینی غیرخطی با حداکثر حاشیه با کمک اسناد توصیفی برای بهبود عملکرد سیستم‌های توصیه‌گر

محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسی

مهدی رواخواه ¹ , مهرداد جلالی ² , یحیی فرقانی ³ , رضا شیبانی ⁴

1 - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
2 - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
3 - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
4 - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

تاریخ دریافت : 1401/03/26 تاریخ پذیرش : 1401/04/28 تاریخ انتشار : 1400/12/01

کلید واژه: یادگیری عمیق, اسناد توصیفی, فاکتورسازی ماتریس با بیشترین حاشیه, مدل غیرخطی,

چکیده مقاله :

بسیاری از مدل‌های پیش‌بینی در سیستم‌های توصیه‌گر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتم‌ها دارند. این مدل‌ها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتم‌ها آموزش می‌بینند و کم بودن نسبت امتیازات داده شده کاربران به آیتم‌ها نسبت به کل امتیازات ممکن، باعث کاهش دقت این مدل‌ها شده است. لذا برای حل این مشکل در برخی پژوهش‌ها سعی گردیده است که علاوه بر امتیازات موجود از اطلاعات کمکی نظیر اسناد توصیفی که در مورد آیتم‌ها وجود دارند استفاده گردد. اما بسیاری از آنها از مدل‌های قدیمی‌تر پرکاربرد در متن کاوی استفاده نموده اند و همچنین عدم لحاظ نمودن حداکثر حاشیه در هنگام محاسبه ویژگی‌های کاربران و آیتم‌ها باعث گردیده است که ویژگی‌های کاربران و آیتم‌ها به شکل موثری استخراج نگردد. در این مقاله و در روش ارایه شده، مدلی غیرخطی ارایه کرده‌ایم که انعطاف بیشتری در مقایسه با مدل‌های خطی دارد و علاوه بر استفاده از اسناد توصیفی در مورد آیتم‌ها، با لحاظ کردن حداکثر حاشیه در هنگام استخراج ویژگی‌های کاربران باعث بهبود صحت پیش‌بینی گردیده است. با توجه به توانایی شبکه‌های عصبی در کار با دنباله‌ها، برای استخراج ویژگی از اسناد متنی از شبکه LSTM در مدل پیشنهادی استفاده می‌نماییم.