چکیده مقاله
در سال های اخیر، سیستم های توصیه گر با چالش هایی نظیر حباب فیلتر ، کاهش تنوع و عدم توانایی در ایجاد تجربه های غیرمنتظره مواجه بوده اند از این رو، چارچوب های چندماژوله با محوریت Serendipity به عنوان یک راهکار موثر برای افزایش شگفتی و ارتباط محوری پیشنهاد شده اند در پژوهش فعلی، با تکیه بر مدل مرجع SDNet و مستندات توسعه یافته ی مرتبط، ماژول نخست این معماری تحت عنوان «ماژول نمایه ی شناختی کاربر» به صورت مستقل طراحی، پیاده سازی و ارزیابی شده است هدف اصلی از این کار، استخراج نمایهی شناختی کاربر و تولید بردارهای شناختی دقیق است که به عنوان ورودی سه ماژول بعدی عمل می کنند نوآوری اصلی این پژوهش، طراحی و پیاده سازی عملیاتی ماژول شناختی، معرفی بردار شناختی استاندارد بر پایه ی داده های رفتاری، شناختی و محتوایی، و بهره گیری از مدل های یادگیری عمیق مدرن Autoencoder، VAE و Diffusion برای تولید بازنمایی های پایدار و قابل استفاده در سایر ماژول های سیستم توصیه گر را دربر می گیرد نتایج به دست آمده نشان می دهد که این ماژول از توانایی استخراج الگوهای شناختی کاربر و بهبود کیفیت شخصی سازی برخوردار است
کلیدواژهها
نویسندگان
عالیه السادات بشارت گیلانی
دانشگاه آزاد واحد قزوین، دانشکده فنی و مهندسی
بهروز شاهرخ زاده
دانشگاه آزاد واحد قزوین، دانشکده فنی و مهندسی
شیوه ارجاع
�شارت گیلانی، عالیه السادات و شاهرخ زاده، بهروز،1405،طراحی و ارزیابی ماژول نمایه ی شناختی در چارچوب چندماژوله ی سیستم های توصیه گر Serendipity-محور،بیست و نهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائهشده در
مجموعه مقالات بیست و نهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات27 فروردین 1405 · بابل