سیستم های توصیه گر هوشمند: ترکیب یادگیری تقویتی و الگوریتم های فراابتکاری

سیستم های توصیه گر هوشمند با چالش هایی از قبیل مسئله شروع سرد و پراکندگی داده ها روبه رو هستند. این مرور روایتی، نقش ترکیب یادگیری تقویتی (RL) و الگوریتم های فراابتکاری (MH) در توسعه این سیستم ها را بررسی می کند. مطالعات سال های ۲۰۱۸-۲۰۲۶ از پایگاه های اصلی جستجو شدند. یافته ها نشان می دهند که یادگیری تقویتی توانایی تصمیم گیری پویا و یادگیری از تعاملات کاربران را فراهم می کند در حالی که الگوریتم های فراابتکاری فرایند بهینه سازی و جستجو را تقویت می کنند. رویکردهای ترکیبی RL-MH ظرفیت قابل توجهی برای توسعه نسل جدید سیستم های توصیه گر ایجاد کرده اند اما چالش های هزینه محاسباتی، مقیاس پذیری، تفسیرپذیری و ارزیابی در محیط های واقعی همچنان از مهم ترین زمینه های پژوهشی به شمار می روند.

کلیدواژه ها:

سیستم های توصیه گر ، هوشمند ، یادگیری تقویتی ، الگوریتم های فراابتکاری ، بهینه سازی ، هوش مصنوعی