ارائه ی یک سیستم پیشنهاد دهنده ی زمانی مبتنی بر تجزیه تنسور های اتصالی

سیستم های پیشنهاد دهنده با تحلیل الگوهای علایق کاربران، آیتم ها یا پیشنهاداتی متناسب با علایق کاربر به او ارائه می کنند. یک چالش اساسی در این سیستم ها این است که علایق کاربران ثابت نبوده و معمولا کاربران تمایل به تغییر علایق خود در طول زمان دارند. تطبیق سیستم های پیشنهاددهنده برای مدل کردن تکامل علایق و نیازهای کاربران که مدام درحال تغییر می باشند، باعث بهبود پیشنهادات ارائه شده به کاربر می گردد. در این مقاله با توسعه یک روش مدل سازی علایق پویای کاربر، یک سیستم پیشنهاد دهنده زمانی ارائه می کنیم. در این روش یک تابع کاهش زمانی برای هر کاربر معرفی می شودکه اهمیت علایق قبلی کاربران براساس نرخ تغییر علایق هر کاربر وزن گذاری شده و سپس این اطلاعات بهمراه اطلاعات استخراج شده ی مربوط به شباهت بین کاربران در طول زمان و داده های دموگرافی کاربران به ترتیب در دو تنسور و یک ماتریس مدل شده و با استفاده از تکنیک تجزیه تنسور- ماتریس های اتصالی، پویایی علایق کاربران استخراج و پیشنهادات شخصی مناسب با هر کاربر ارائه می شود. ارزیابی روش پیشنهادی روی دو مجموعه داده ی واقعی، بهبود دقت این روش را در پیشنهاد آیتم ها به کاربران نسبت به سایر روش های مقایسه شده و توانایی بهتر آن در برخورد با مشکل شروع سرد را نشان می دهد

کلیدواژه ها:

Temporal recommender systems ، Coupled tensor factorization ، Users’ preference dynamics ، Data sparsity ، Cold-start