یادگیری عمیق در سامانه های توصیه گر

یادگیری عمیق در سامانه های توصیه گر


  • 27 بازدید

 آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.

چکیده 
روش پالایش همکارانه یکی از کارآمدترین و پرکاربردترین روش های مورد استفاده در بسیاری از سامانه های توصیه گر است. روش های اولیه پالایش همکارانه ویژگی های نهان کاربران و گزینه ها را با استفاده از تجزیه ماتریس امتیازات به دست می آوردند، اما این روش ها با مشکل شروع سرد و تنک بودن ماتریس امتیازات مواجه می شوند. در سال های اخیر استفاده از اطلاعات اضافه موجود، در کنار ماتریس امتیازات برای به دست آوردن ویژگی های نهان مورد توجه قرار گرفته است. از طرف دیگر، مدل های یادگیری عمیق، توانایی بالایی در یادگیری بازنمایی مناسب، به خصوص در مواقعی که با داده های خام سروکار داریم از خود نشان داده است. باتوجه به این ویژگی یادگیری عمیق، در این پژوهش از شبکه های عمیق برای به دست آوردن نمایش مناسب از گزینه ها استفاده شده است. به طور خاص، یک مدل ترکیبی از یادگیری عمیق در کنار تجزیه ماتریسی ارائه شده است که یک ارتباط دوطرفه بین ویژگی های به دست آمده از تجزیه ماتریسی و ویژگی های محتوایی استخراج شده با استفاده از یادگیری عمیق درباره گزینه ها ایجاد می کند. در این مدل به طور همزمان پارامترهای هر دو بخش یادگرفته می شود. مقایسه مدل پیشنهادی با برترین روش های ارائه شده در سال های اخیر بر روی مجموعه داده های مختلف از دنیای واقعی برتری روش پیشنهادی بر سایر روش های ارائه شده را نشان می دهد.

نتیجه گیری و کارهای آتی 
در این مقاله یک روش ترکیبی ارائه شد که از منابع اطلاعاتی مختلف جهت ارائه پیشنهاد به کاربر بهره می گیرد. مدل پیشنهادی با استفاده از اطلاعات اضافه موجود درباره گزینه ها و ارتباطات بین آن ها مشکل شروع سرد را برطرف کرده است و با ایجاد یک ارتباط محکم بین اجزای مدل توانسته نتایج بهتری نسبت به برترین روش موجود در سامانه های توصیه گر بر روی ۳ مجموعه داده دنیای واقعی کسب کند. از جمله مواردی که به کمک آن ها می توان روش پیشنهادی را توسعه داد، استفاده از اطلاعات اضافه ای همچون ارتباطات بین کاربران با یکدیگر و اطلاعات موجود در نمایه کاربران است. در ادامه می توان از این اطلاعات جهت مقابله با مشکل شروع سرد برای کاربران بهره برد. همچنین محور اساسی آزمایشات در این پژوهش بر روی مجموعه داده هایی بود که از بازخوردهای غیرمستقیم کاربر نسبت گزینه ها در سیستم به وجود آمده بودند و به همین دلیل برای هر گزینه تنها دو حالت مورد علاقه کاربر و یا عدم علاقه کاربر به آن گزینه وجود داشت، اما در مجموعه داده هایی که کاربران به گزینه ها یک امتیاز (مثلا بین ۱ تا ۵ (انتصاب می دهند سیستم باید بتواند میزان علاقه کاربر به هر گزینه را با یک مقدار عددی مشخص کند. روش پیشنهادی با تغییر اندکی قابلیت به دست آوردن امتیاز را نیز دارد که این موضوع نیز می تواند مورد بررسی قرار بگیرد.

 

این مقاله توسط آکادمی داده تهیه شده است و از طریق لینک قابل دسترسی است. محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر در حال پژوهش در حوزه داده کاوی هستید، سوالات و اشکالات خود را از طریق تلگرام با آکادمی داده در میان بگذارید. با عضو شدن در کانال تلگرام  آکادمی داده از مقالات جدید و دیتاست های منتشر شده مطلع شوید. 

مجموعه مقالات فارسی در مورد یادگیری عمیق که شامل 50 مقاله فارسی در مورد الگوریتم ها و روش های یادگیری عمیق است به صورت یکجا نیز از طریق لینک قابل دسترسی هستند. 

اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.