سیستم های پیشنهادگر مبتنی بر گراف دانش در شبکه های کتابخانه ای تقویت شده با هوش مصنوعی

چکیده مقاله

با افزایش حجم منابع دیجیتال در کتابخانه ها نیاز به سیستم های پیشنهادگر دقیق، قابل تفسیر و هوشمند بیش از پیش احساس می شود این پژوهش با هدف طراحی و توسعه یک سیستم پیشنهادگر مبتنی بر گراف دانش و تقویت شده با هوش مصنوعی چارچوبی نوآورانه را ارائه می دهد که از ترکیب یادگیری ماشین، استخراج دانش با استفاده از پردازش زبان طبیعی و شبکه های عصبی گرافی بهره می برد سیستم پیشنهادی در سه لایه طراحی شده است: استخراج دانش، ساخت گراف مفهومی و یادگیری توصیه گر با استفاده از الگوریتم هایی نظیر R GCN و تکنیک های بهینه سازی، توجه مدل قادر است ترجیحات پنهان کاربران را شناسایی و توصیه هایی با دقت بالا ارائه دهد نتایج تجربی روی مجموعه داده های واقعی نشان داد که سیستم پیشنهادی در مقایسه با روش های سنتی بهبود قابل توجهی در معیارهایی چون Precision@K و NDCG دارد همچنین تحلیل ها نشان دادند که استفاده از مداخلات علی در فرآیند یادگیری پایداری و تفسیرپذیری توصیه ها را افزایش داده است این پژوهش با تبیین چارچوبی جدید راهکارهای موثری برای غلبه بر مشکلاتی نظیر خلا معنایی، شروع سرد داده و فقدان تفسیر ارائه می کند و بستری برای توسعه سیستم های پیشنهادگر نسل آینده فراهم می سازد

کلیدواژه‌ها

نویسندگان

مریم محمد علی نژاد

گروه علم اطلاعات و دانش شناسی واحد رامهرمز دانشگاه آزاد اسلامی، رامهرمز، ایران

محمد علی نژاد، مریم،1404،سیستم های پیشنهادگر مبتنی بر گراف دانش در شبکه های کتابخانه ای تقویت شده با هوش مصنوعی،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر

ارائه‌شده در

همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران