سیستم توصیه گر مبتنی بر جلسه با استفاده از روش ترکیبی شبکه های عصبی بازگشتی و گراف

سیستم های توصیه گر مبتنی بر جلسه نوعی از سیستم های توصیه گر هستند که با مدل سازی وابستگی های بین تعاملات کاربر و آیتم ها، به دنبال معرفی مناسب ترین آیتم یا مجموعه ای از آیتم ها به کاربر هستند. موضوع مهم در عملکرد این سیستم ها، توانایی کشف وابستگی های مختلف در یک جلسه است. درحالی که مدل های موجود اغلب تنها بر یکی از این دو نوع وابستگی ترتیبی یا پیچیده تمرکز دارند، در این پژوهش یک مدل جدید ارائه شده است که از شبکه عصبی گراف برای شناسایی وابستگی های پیچیده و غیرترتیبی بین آیتم ها، و از شبکه عصبی بازگشتی برای مدل سازی وابستگی های ترتیبی درون جلسه استفاده می کند. این ترکیب به مدل امکان می دهد تا درکی غنی تر و دقیق تر از هدف کاربر به دست آورده و در نتیجه، نسبت به روش های متعارف که تنها به یکی از این جنبه ها می پردازند، دقت پیش بینی بالاتری را ارائه دهد. ارزیابی جامع بر روی دو مجموعه داده پرکاربرد Yoochoose و Diginetica، برتری روش معرفی شده را در مقایسه با جدیدترین روش های موجود به اثبات می رساند. نتایج نشان می دهد که RGNF-SRec به ترتیب به بهبود ۴۰/۰٪ در معیار P@۲۰ و ۰۷/۱٪ در معیار MRR@۲۰ نسبت به قوی ترین مدل پایه بر روی این مجموعه داده ها دست یافته و توانایی خود را در ارائه توصیه های دقیق تر برای آیتم بعدی به نمایش می گذارد.

کلیدواژه ها:

سیستم توصیه گر مبتنی بر جلسه ، شبکه های عصبی گراف ، شبکه های عصبی بازگشتی ، مدل ترکیبی