بهبود عملکرد سیستم های توصیه گر با استفاده از الگوریتم های ترکیبی یادگیری تقویتی و پردازش زبان طبیعی

سیستم های توصیه گر نقش مهمی در ارائه پیشنهادات شخصی سازی شده به کاربران دارند، اما همچنان با چالش هایی مانند مشکل شروع سرد، پراکندگی داده و عدم توازن بین اکتشاف و بهره برداری مواجه هستند. این مقاله یک رویکرد نوین برای بهبود عملکرد سیستم های توصیه گر با ترکیب الگوریتم های یادگیری تقویتی و پردازش زبان طبیعی ارائه می دهد. رویکرد پیشنهادی، RLNLP-Rec، از یادگیری تقویتی برای بهینه سازی استراتژی توصیه در طول زمان و از مدل های پردازش زبان طبیعی برای استخراج ویژگی های معنایی عمیق از محتوای متنی استفاده می کند. مدل پیشنهادی شامل سه مولفه اصلی است: (۱) استخراج کننده ویژگی های معنایی مبتنی بر BERT، (۲) یک مدل یادگیری تقویتی عمیق (DQN) برای انتخاب بهینه اقلام، و (۳) سیستم ترکیبی تطبیقی که تعادل بین توصیه های مبتنی بر محتوا و مشارکتی را تنظیم می کند. ارزیابی های جامع روی سه مجموعه داده استاندارد MovieLens، Amazon Reviews و دیجی کالا نشان می دهد که RLNLP-Rec به طور قابل توجهی عملکرد روش های موجود را بهبود بخشیده است. مدل پیشنهادی در معیار دقت توصیه بهبود ۲۳.۵٪، در معیار فراخوانی بهبود ۱۸.۷٪ و در معیار nDCG بهبود ۲۷.۴٪ نسبت به بهترین مدل پایه نشان داده است. همچنین، این رویکرد برای کاربران جدید (شروع سرد) عملکرد بهتری داشته و در آزمایش های تنوع و تازگی توصیه ها نیز نتایج برتری نشان داده است. تحلیل حساسیت پارامترها نشان می دهد که ترکیب مدل پیشنهادی با پارامترهای بهینه، کارایی بالایی در طیف گسترده ای از کاربردها دارد.

کلیدواژه ها:

سیستم های توصیه گر ، یادگیری تقویتی ، پردازش زبان طبیعی ، BERT ، شبکه Q عمیق ، شخصی سازی ، استخراج ویژگی معنایی