سیستم هیبریدی برای توصیه فیلم با تلفیق تصمیم گیری چند معیاره و هوش مصنوعی بر مبنای یادگیری تطبیقی سلایق کاربران

در این پژوهش، سامانه ای هیبرید برای توصیه فیلم طراحی و پیاده سازی شده است که با ترکیب روش های تصمیم گیری چندمعیاره (Analytic Hierarchy Process و TOPSIS) و تکنیک های هوش مصنوعی شامل شبکه های عصبی عمیق و تحلیل احساسات متنی، دقت و شخصی سازی توصیه ها را به طور چشمگیری ارتقا می دهد. ابتدا، وزن معیارهای کلیدی نظیر ژانر، امتیاز IMDb، نقدهای کاربران و ویژگی های فنی با استفاده از AHP/TOPSIS به صورت پویا تعیین می شود. سپس، خروجی رتبه بندی MCDA با پیش بینی های مدل شبکه عصبی ادغام شده و امتیاز نهایی هر فیلم محاسبه می گردد. برای تحلیل احساسات از مدل های پیش آموزش دیده Transformer بهره گرفته و خوشه بندی کاربران با الگوریتم Random Forest تسهیل شده است. ارزیابی روی دیتاست MovieLens ۱M نشان می دهد که مدل پیشنهادی در مقایسه با روش های پیشرفته ای مانند SASRec، BERT۴Rec، DGCF و SGL بهبود میانگین ۲٪ در RMSE، ۳.۵٪ در NDCG@۱۰ و ۲.۹٪ فی HR@۱۰ داشته است. علاوه بر این، قابلیت یادگیری تطبیقی پارامترهای ترکیبی و تنظیم خودکار ضریب α بر اساس بازخورد کاربران، انعطاف پذیری و کارایی سامانه را در محیط های پویا تضمین می کند. این سامانه با ارائه توصیه های شفاف، قابل تبیین و دقیق، بهبود تجربه کاربری در پلتفرم های پخش آنلاین فیلم را ممکن می سازد.

کلیدواژه ها:

توصیه گر فیلم ، تصمیم گیری چندمعیاره ، هوش مصنوعی ، یادگیری عمیق