بررسی رتبه بندی اطلاعات بازیابی شده از سیستم های توصیه گر در اینترنت اشیا با استفاده از یک مدل عمیق

سیستم های توصیه گر نقش مهمی در ارائه خدمات بهینه و مرتبط به کاربران دارند. استفاده از الگوریتم های یادگیری ماشین برای رتبه بندی خدمات یا همان ”یادگیری رتبه بندی” ا ست ،که به طور گسترده ای استفاده شده ا ست . ا شکال اصلی که در اکثر این روش ها وجود دارد، عدم استخراج ویژگی های سراسری از پرس و جوهای مختلف است . در این مقاله به منظور پوشش مشکلات روش های قبلی ، دو روش کاربردی برای رتبه بندی خدمات در یک سیستم توصیه گر بر اساس الگوریتم های یادگیری ماشین پیشنهاد شده است .در روش اول، یک روش محاسباتی مبتنی بر یک ماشین یادگیری افراطی (ELM) به منظور یادگیری ویژگی های عمیق جهانی و محلی از پرسوجوهای مختلف است . در این روش برای هر پرس و جو دو مجموعه از ویژگی های محلی و سراسری به طور جداگانه یاد می شود و در پایان برای هر پرس و جو امتیازی برای رتبه بندی محاسبه می شود. در نهایت ،مجددا یک رتبه بندی بین خدمات بر اساس امتیاز محاسبه شده انجام می شود.در روش دوم الگوریتمی برای رتبه بندی خدمات در محیط اینترنت اشیا ارائه شده است . در این روش یک سیستم توصیه گر مکانیزه برای انتخاب خدمات مناسب برای کاربران بر اساس معیارها و زیرمعیارهای آنها ارائه می شود. در ابتدا یک معماری چند لایه برای انتخاب معیارها و زیرمعیارهای خدمات با استفاده از فرآیند تحلیل سلسله مراتبی معرفی شده است . سپس برای یافتن وزن هر معیاری که اهمیت آن را نشان می دهد، یک الگوریتم بهینه سازی مبتنی بر برنامه نویسی درجه دوم متوالی معرفی می شود. با استفاده از این دو مرحله ، رتبه معقولی برای خدمات مختلف ارائه می شود.

کلیدواژه ها:

سیستم های توصیه کننده ، خدمات اینترنت اشیا ، رتبه بندی آیتم ها ، یادگیری عمیق ، ماشین یادگیری شدید.