طراحی و ارزیابی ماژول نمایه ی شناختی در چارچوب چندماژوله ی سیستم های توصیه گر Serendipity-محور

در سال های اخیر، سیستم های توصیه گر با چالش هایی نظیر حباب فیلتر ، کاهش تنوع و عدم توانایی در ایجاد تجربه های غیرمنتظره مواجه بوده اند. از این رو، چارچوب های چندماژوله با محوریت Serendipity به عنوان یک راهکار موثر برای افزایش شگفتی و ارتباط محوری پیشنهاد شده اند. در پژوهش فعلی، با تکیه بر مدل مرجع SDNet و مستندات توسعه یافته ی مرتبط، ماژول نخست این معماری تحت عنوان «ماژول نمایه ی شناختی کاربر» به صورت مستقل طراحی، پیاده سازی و ارزیابی شده است. هدف اصلی از این کار، استخراج نمایه‎ی شناختی کاربر و تولید بردارهای شناختی دقیق است که به عنوان ورودی سه ماژول بعدی عمل می کنند. نوآوری اصلی این پژوهش، طراحی و پیاده سازی عملیاتی ماژول شناختی، معرفی بردار شناختی استاندارد بر پایه ی داده های رفتاری، شناختی و محتوایی، و بهره گیری از مدل های یادگیری عمیق مدرن (Autoencoder، VAE و Diffusion) برای تولید بازنمایی های پایدار و قابل استفاده در سایر ماژول های سیستم توصیه گر را دربر می گیرد. نتایج به دست آمده نشان می دهد که این ماژول از توانایی استخراج الگوهای شناختی کاربر و بهبود کیفیت شخصی سازی برخوردار است.

کلیدواژه ها:

سیستم های توصیه گر ، مدل مولد ، نمایه ی شناختی ، یادگیری عمیق ، Serendipity