ترکیب مدلهای مبتنی بر نیت کاربر با شخصی سازی بلندمدت در سیستمهای توصیه گر مبتنی بر جلسه

با رشد روزافزون سیستمهای توصیه گر و افزایش تقاضا برای پیشنهادهای دقیقتر و شخصی سازی شده تر، تحلیل نیت کاربران در طول جلسات تعاملی به عنوان رویکردی موثر در بهبود عملکرد این سیستمها مورد توجه قرار گرفته است. در این پژوهش، یک چارچوب نوین برای سیستم توصیه گر مبتنی بر جلسه با در نظر گرفتن اهداف چندگانه کاربر ارائه شده است. ساختار پیشنهادی با ترکیب وابستگی های معنایی و زمانی و بهره گیری از تحلیل چند سطحی نیت کاربران در بستر شبکه های عصبی طراحی شده است. با بررسی و تحلیل پنج مقاله ی کلیدی از جمله مدل Atten-Mixer، مدل ترکیبی معنایی-زمانی، سیستم چند نیتی MiaSRec، شبکه ی توجه دوگانه (Dual-aware Attention) و مدل GNN مبتنی بر زمینه ی جهانی (Global Context-aware GNN)، مزایا و چالش های هر رویکرد استخراج شده و مبنای طراحی چارچوب پیشنهادی قرار گرفته اند. نتایج تجربی نشان می دهد که ترکیب تحلیل نیت چندگانه، وابستگی های مفهومی و ساختار زمانی، دقت و تنوع توصیه ها را به طور معناداری بهبود می بخشد.

کلیدواژه ها:

سیستم توصیه گر مبتنی بر جلسه ، یادگیری چندرفتاری ، وابستگی معنایی و زمانی ، یادگیری گراف ، بهینه سازی چندهد فه.