مدل فاکتور پنهان عمیق با سنجش سلسله مراتبی مشابه برای سیستمهای پیشنهادگر

مدل فاکتور پنهان (LFM)، به عنوان یک روش نقشه برداری از ویژگیهای موثر، به طور گسترده در سیستمهای پیشنهادگر به کار گرفته شد. یکی از چالشهای LFM روشهای قبلی است که معمولا0 از ضرب داخلی برای محاسبه تشابه بین کاربران و آیتمها در فضای پنهان استفاده میکنند، که نمیتوانند اثرات متمایز فاکتورهای پنهان مختلف را مشخص کنند. یکی دیگر از چالشها این است که عملکرد LFM در هنگام مواجه شدن با مشکل کمبود داده، منفی خواهد بود. در این مقاله، ما یک مدل با نام DLFM-HSM (مدل فاکتور پنهان عمیق با ساختار سلسله مراتبی مشابه) برای غلبه بر چالشهای بالا پیشنهاد میکنیم. به طور ویژه، ما یک معیار شباهت سلسله مراتبی برای محاسبه نمره تاثیر معرفی میکنیم که میتواند شباهت بین کاربر و آیتم را نسبت به ضرب داخلی بهتر نشان دهد. همچنین، به منظور کم کردن مشکل کمبود داده، ما نمایشهای پنهان کاربران و آیتمها را با استفاده از شبکه های عصبی عمیق از اطلاعات محتویات آیتمها به جای ضبط رتبه بندی موارد کاربر، استخراج میکنیم. به وسیله نمایش کاربران با آیتم هایی که خریداری کردهاند، مدل ما تضمین میکند که کاربران و آیتمها درون یک فضای رایج قرار داده شدند و بنابراین آنها بطور مستقیم قابل مقایسه هستند. آزمایشهای گسترده ای در 5 مجموعه داده واقعی پیشرفتهای قابل توجهی از DLFM-HSM بر روی روشهای پیشرفته ترین حالت و نمایش تاثیر مدل ما برای از بین بردن مشکل کمبود داده را نشان میدهد.

کلیدواژه ها:

سیستمهای پیشنهادگر ، مدل فاکتور پنهان ، سنجش سلسله مراتبی مشابه ، یادگیری عمیق