ارائه یک سیستم توصیه گر فیلم جدید مبتنی بر فیلترگذاری مشارکتی و یادگیری عمیق

چکیده مقاله

در این پژوهش، یک سیستم توصیه گر ترکیبی مبتنی بر ادغام یادگیری عمیق و قوانین انجمنی معرفی می شود که هدف آن بهبود دقت، پوشش اقلام Long Tail و توضیح پذیری توصیه ها در داده های تنک است در بخش یادگیری عمیق، نمایش های برداری کاربران و اقلام با استفاده از شبکه های عصبی چندلایه MLP یا مدل های برداری تعاملی آموخته می شود تا روابط غیرخطی میان تعاملات کاربر فیلم استخراج گردد در بخش قوانین انجمنی الگوریتم کارای FP Growth با دو بار پیمایش پایگاه داده مجموعه اقلام پرتکرار و قوانین ix را بر اساس معیارهای پشتیبانی، اطمینان و بالابر استخراج می کند خروجی هر دو بخش در مرحله ی ترکیب امتیازی Level Fusion Score با ضریب وزنی a ادغام شده و امتیاز نهایی توصیه برای هر کاربر محاسبه می گردد روش پیشنهادی بر روی مجموعه داده ی MovieLens ارزیابی و با مدل های پایه شامل FP Only، DL Only و CF سنتی مقایسه شده است نتایج نشان می دهد که سیستم ترکیبی در معیارهای MAP@K، Recall@K، Precision@K و NDCG@K به طور میانگین بیش از ۷٪ نسبت به بهترین مدل های منفرد بهبود داشته است همچنین پوشش اقلام و پایداری عملکرد در بازه های مختلف a افزایش یافته و هزینه ی محاسباتی اندکی به سیستم افزوده شده است این نتایج موید آن است که تلفیق نمایه های عصبی و قوانین آماری می تواند تعادلی میان دقت، کارایی و توضیح پذیری در سیستم های توصیه گر ایجاد کند

کلیدواژه‌ها

نویسندگان

ساناز نوروزی لرکی

گروه مهندسی کامپیوتر، واحد امیدیه، دانشگاه آزاد اسلامی، امیدیه، ایران

نوروزی لرکی، ساناز،1404،ارائه یک سیستم توصیه گر فیلم جدید مبتنی بر فیلترگذاری مشارکتی و یادگیری عمیق،کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال،یزد

ارائه‌شده در

مجموعه مقالات کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال21 آبان 1404 · یزد