ارایه یک سیستم ترکیبی کارآمد BERT-NCF با مکانیسم ادغام چگال ساده برای بهبود دقت سیستمهای توصیه گر

سیستمهای توصیه گر مبتنی بر یادگیری عمیق در مدل سازی تعاملات پیچیده کاربر کالا موفق بوده اند اما همچنان با چالشهای شروع سرد و کمبود درک معنایی عمیق از محتوای کالاها روبه رو هستند. مدلهای زبانی مانند BERT در استخراج ویژگیهای معنایی غنی برتری دارند اما توانایی مدلسازی الگوهای رفتاری پویا را ندارند. در این پژوهش معماری ترکیبی BERT-NCF با مکانیسم ادغام چگال ساده پیشنهاد می شود. این معماری دو شاخه موازی دارد؛ شاخه معنایی مبتنی بر BERT برای استخراج بردارهای غنی از متن محصول و شاخه تعاملی مبتنی بر NCF برای مدل سازی همزمان روابط خطی و غیرخطی. نوآوری اصلی در طراحی لایه ادغام کارآمد است که به جای مکانیزم های پیچیده توجه متقابل از نگاشت های خطی هم تر از کننده و لایه های اتصال چگال با تابع فعال سازی LeakyReLU استفاده می کند. این رویکرد پیچیدگی محاسباتی و تعداد پارامترها را کاهش می دهد و از بیش برازش جلوگیری می کند. ارزیابی روی زیر مجموعه Books از مجموعه داده Amazon Reviews نشان می دهد که مدل پیشنهادی در معیارهای Precision، RMSE و Recall عملکرد بهتری نسبت به مدل های پایه دارد و تعادل مناسبی میان دقت و کارایی محاسباتی برقرار می کند.

کلیدواژه ها:

سیستمهای توصیه گر ، یادگیری عمیق ، BERT ، پالایش مشارکتی عصبی (NCF) ، شروع سرد ، Neural Collaborative Filtering