ارائه یک سیستم توصیه گر اعتماد محور در شبکه های اجتماعی با رویکرد یادگیری عمیق

سال انتشار: 1398
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 655

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSCG03_147

تاریخ نمایه سازی: 14 فروردین 1399

چکیده مقاله:

رشد انفجاری اطلاعات موجود در اینترنت اغلب کاربران را سردرگم می کند، سیستم توصیه گر یک ابزار مفید برای دسته بندی اطلاعات است که کاربران را براساس علایق شخصی به سمت محصولات یا خدماتی که ممکن است به آن ها علاقه داشته باشند سوق می دهد. به طور کلی لیست توصیه ها براساس تنظیمات کاربر، ویژگی های آیتم ها و تعاملات گذشته کاربر با آیتم ها و برخی دیگر از اطلاعات اضافی مانند داده های زمانی و مکانی ایجاد می شود. سیستم های ارائه شده تاکنون به طور عمده براساس روش پالایش مشارکتی (CF) کار می کنند. با این حال، این سیستم ها محدودیت های خود را دارند. جهت غلبه بر محدودیت های CF، سیستم های توصیه گر اعتماد محور ارائه شده اند که در این تحقیق از این نوع سیستم ها برای کشف روابط اعتماد ضمنی بین کاربران بایادگیری عمیق بهره گرفته شد. یادگیری عمیق می تواند روابط نامشخص و غیرمستقیم مورد استفاده کاربر را جذب کند و کدگذاری پیچیده تر به عنوان بازنمایی اده ها در لایه های بالاتر را فعال کند. در این پایان نامه، از یک رویکرد یادگیری عمیق مبتنی بر معماری خودرگرسیونی عصبی برای پالایش مشارکتی (CF-NADE)، استفاده شده است که از مدل CF و تخمین زننده توزیع خودرگرسیونی عصبی (NADE) منتج شده است. نتایج تجربی برروی مجموعه داده های MovieLens10M، MovieLens1M و Netflix نشان داد که مدل پیشنهادی CF-NADE به همراه یک لایه پنهان بر مدل های پیشین معرفی شده در این پایان نامه پیشی می گیرد و مدل عمیق تر با افزودن لایه های پنهان بیشتر می تواند عملکرد سیستم را به صورت مطلوبی بهبود ببخشد.

نویسندگان

سینا دامی

استادیار گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

پگاه قربان پور مالفجانی

داتشجوی کارشناسی ارشد، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران