یادگیری عمیق برای سیستم های توصیه گر

سرویسهای اینترنتی امروزه محتواهای متنوعی ارایه میکنند. با توجه به اهمیت سیستم های توصیه گر در سرویس دهنده های برخط )آنلاین(، مشکلات موجود در این سیستمها و همچنین پویا، خلوت و حجیم بودن دادهها، نسل جدیدی از الگوریتمها برای سیستم های توصیه گر مورد نیاز است. از سوی دیگر، شبکه های عصبی عمیق موفقیت چشمگیری در پردازش متن، تشخیص گفتار، بینایی ماشین، پردازش زبان طبیعی و پیشبینی در حوزه های مختلف، داشته اند. افزایش حجم اطلاعات و نمونه های آموزشی ورودی شبکه های عصبی عمیق، نه تنها محدودیت ایجاد نمی کند، بلکه منجر به افزایش بازدهی این شبکه ها میگردد. در این مقاله، یادگیری عمیق را برای پیادهسازی موثر سیستمهای توصیه گر بررسی خواهیم نمود. در این مقاله سیستمهای توصیه گر، اهداف و کاربردهای آنها و روشهای مختلف توصیه را معرفی میکنیم. با نحوه ارزیابی مدل برای سیستمهای توصیه گر آشنا خواهیم شد. یادگیری عمیق و ارتباط یادگیری عمیق با هوش مصنوعی و سیستم های توصیه گر را بررسی میکنیم. همچنین یک روند پیاده سازی موثر را پیشنهاد میدهیم.

کلیدواژه ها:

یادگیری ماشین ، داده کاوی ، بازیابی اطلاعات ، متن کاوی ، کلان داده ، سیستم های اطلاعاتی