تحلیل تجربی تاثیر وزن دهی پویا در سیستم های توصیه گر هیبریدی برای شخصی سازی خدمات اپلیکیشن های بانکی

گسترش خدمات دیجیتال بانکی و افزایش تعداد قابلیت های ارائه شده در اپلیکیشن های موبایلی ضرورت توسعه روش های هوشمند برای شخصی سازی دسترسی کاربران به خدمات را افزایش داده است. سیستم های توصیه گر می توانند با تحلیل تعاملات کاربران و ویژگی های خدمات گزینه های مرتبط را در اختیار آنان قرار دهند؛ با این حال عملکرد روش های منفرد توصیه گری به دلیل وابستگی به یک منبع اطلاعاتی خاص با محدودیت هایی مواجه است. پژوهش حاضر با هدف بررسی تجربی تاثیر ترکیب چند مدل توصیه گر و استفاده از مکانیزم وزن دهی پویا بر عملکرد سیستم توصیه گر طراحی شده است. در این پژوهش سه رویکرد فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا و Neural Matrix Factorization به صورت مستقل و ترکیبی ارزیابی شده و عملکرد آن ها با یکدیگر مقایسه شده است. در ادامه یک معماری هیبریدی با وزن های ثابت با معماری هیبریدی مبتنی بر وزن دهی پویا مقایسه شده است تا اثر سازوکار تطبیقی در ترکیب خروجی مدل ها مشخص شود. نتایج آزمایش ها نشان می دهد که ترکیب مدل های توصیه گر موجب بهبود عملکرد نسبت به مدل های منفرد شده و استفاده از وزن دهی پویا نیز عملکرد سیستم هیبریدی را در معیارهای دقت، پوشش و کیفیت رتبه بندی بهبود می دهد. نتایج حاصل از تحلیل سناریوهای مختلف نشان می دهد که مدل پیشنهادی در مقایسه با مدل های منفرد و مدل هیبریدی با وزن ثابت عملکرد بالاتری داشته و توانایی بیشتری در تولید توصیه های مرتبط و شخصی سازی شده ارائه می دهد. یافته های پژوهش نشان می دهد که استفاده از مکانیزم وزن دهی پویا می تواند به عنوان یک روش موثر برای ترکیب اطلاعات رفتاری، محتوایی و روابط پیچیده کاربر-آیتم در سیستم های توصیه گر هیبریدی مورد استفاده قرار گیرد.

کلیدواژه ها:

سیستم توصیه گر ، فیلترینگ مشارکتی ، فیلترینگ مبتنی بر محتوا ، Neural Matrix Factorization ، سیستم توصیه گر هیبریدی ، وزن دهی پویا ، شخصی سازی خدمات بانکی