مروری بر روش های توصیه مبتنی بر نشست

امروزه با رشد بی سابقه داده ها در پلتفرم های آنلاین، سیستم های توصیه گر به ابزاری کلیدی برای کمک به کاربران در یافتن محتوای مرتبط تبدیل شده اند. در میان رویکردهای گوناگون، سیستم های توصیه گر مبتنی بر نشست از اهمیت ویژه ای برخوردارند، زیرا بدون نیاز به پیشینه بلندمدت کاربران تنها بر اساس تعاملات کوتاه مدت و لحظه ای آن ها، آیتم بعدی مورد علاقه را پیش بینی می کنند. این ویژگی، این سیستم ها را برای کاربران ناشناس یا تازه وارد ایده آل ساخته است. این مقاله مروری، به بررسی جامع روش های ارائه شده در ادبیات تحقیق برای توصیه گرهای مبتنی بر نشست می پردازد. دسته بندی پیشنهادی این مقاله، روش ها را در پنج گروه اصلی جای می دهد: روش های مبتنی بر الگو و قانون، روش های مبتنی بر شباهت (همسایگی)، روش های مبتنی بر زنجیره مارکوف و مدل های توالی، روش های مبتنی بر فاکتورسازی ماتریس و مدل های پنهان، و در نهایت روش های مبتنی بر یادگیری عمیق. زیرشاخه های یادگیری عمیق شامل شبکه های عصبی بازگشتی، شبکه های عصبی پیچشی، شبکه های عصبی گرافی، مکانیزم های توجه، مدل های مولد عمیق، یادگیری تقویتی عمیق و رویکردهای مبتنی بر ابرگراف و یادگیری تقابلی است. برای هر دسته، اصول بنیادین، الگوریتم های شاخص، مزایا و محدودیت ها با استناد به پژوهش های اصیل بررسی شده است. همچنین، جدول مقایسه جامعی از روش های اصلی ارائه می شود و در پایان، چالش های پیش رو و مسیرهای آینده پژوهش در این حوزه مورد بحث قرار می گیرد.

کلیدواژه ها:

سیستم های توصیه گر ، توصیه مبتنی بر نشست ، یادگیری عمیق ، شبکه های عصبی گرافی