مقایسه الگوریتم های توصیه گر و معرفی مدل برتر DynaPR مبتنی بر شبکه های عصبی LSTM برای توصیه های شخصی سازی شده در هوش تجاری

سال انتشار: 1403
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 49

فایل این مقاله در 27 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CELCONF04_043

تاریخ نمایه سازی: 21 اسفند 1403

چکیده مقاله:

توصیه شخصی نقش مهمی در ارائه پشتیبانی تصمیم گیری برای تجزیه و تحلیل محصولات و داده ها در حوزه تجارت ایفا می کند. اخیرا، مدل های توصیه مبتنی بر شبکه های عصبی عمیق توجه قابل توجهی را به خود جلب کرده اند. با این حال، رویکردهای موجود توجه کمی به عوامل پویای کاربران دارند که تحت تاثیر ویژگی های محصول، به ویژه دسته محصولات، قرار می گیرند. برای غلبه بر این چالش ها، ما یک مدل توصیه شخصی پویا، DynaPR را پیشنهاد می کنیم. به طور دقیق، ابتدا اطلاعات محصول و اطلاعات ویژگی را در یک فضای داده واحد جاسازی می کنیم. سپس، از شبکه های حافظه کوتاه مدت بلند (LSTM) برای توصیف رفتار متوالی در زمان های مختلف استفاده می کنیم و با استفاده از شبکه های LSTM سلسله مراتبی بهره می بریم. در نهایت، مقادیر شباهت بین کاربران و ویژگی های علاقه مندی گرفته می شود و لیست های توصیه شخصی تولید می شوند. یک سری آزمایش برتری را در مقایسه با سایر روش های پیشرفته نشان می دهد.

نویسندگان

شهرزاد مهربانفر

دانشجوی کارشناسی ارشد مهندسی کامپیوتر- نرم افزار