ارائه یک مدل ترکیبی در سیستم های توصیه گربه منظور بهبود مشکل شروع سرد آیتم ها

در دنیای امروز خرید از طریق اینترنت در حال تبدیل شدن به یکی از امور روزمرهی مردم می باشد. از طرفی حجم فزایندهی اطلاعات در مورد اقلام و خدمات در فضای مجازی باعث سردرگمی روزافزون خریداران اینترنتی خواهد شد. هر فرد براساس ویژگی های فردی، اجتماعی، محیطی و ... دارای یک سری نیازهای مختص به خود می باشد که با شناختن این ویژگی ها می توان پیشنهادهای شخصی شدهی مناسبی را به وی ارائه نمود. برای تحقق این امر از سیستم های توصیه گر استفاده می شود. در این سیستم ها یکی از مشکلات اساسی شروع سرد می باشد. این مشکل زمانی رخ می دهد که یک کاربر یا آیتم جدید وارد سیستم می شود و به آیتم و کاربر جدید به دلیل عدم امتیازدهی و دریافت امتیاز به ترتیب کالا و کاربر معرفی نخواهد شد. شروع سرد به شروع سرد ناقص و کامل تقسیم می گردد که در شروع سرد ناقص درصد پراکندگی ماتریس رتبه بندی حدود 85 درصد به بالا و در شروع سرد کامل حدود 100 درصد می باشد. با توجه به مشکل مطروحه ما در این مقاله مدلی را طراحی نمودیم که از ترکیب روش پالایش مشارکتی مبتنی بر پویای زمانی و شبکه های یادگیری عمیق به منظور بهبود مشکل شروع سرد ایتم ها بدست می آید با توجه به نتایج بدست آمده از روش پیشنهادی، با ترکیب روش های مذکور نسبت به سیستم های توصیهگر موجود هم باعث دقیق تر شدن پیش بینی ها شده و باعث بهبود در شروع سرد آیتم ها گردیده است.

کلیدواژه ها:

سیستم های توصیه گر ، شروع سرد ، یادگیری عمیق ، پالایش مشارکتی ، شبکه خودرمزگذارنویززدا ، پویای زمانی