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

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.

کلیدواژه ها:

جاسازی ، شبکه های LSTM ، توصیه های شخصی ، عوامل در حالتکامل