سامانه توصیه گر مبتنی بر گراف دانش با استفاده از شبکه عصبی کانولوشن
محل انتشار: اولین کنفرانس بین المللی و ششمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی
سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 255
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CEITCONF06_054
تاریخ نمایه سازی: 26 خرداد 1402
چکیده مقاله:
استفاده از گراف دانش به عنوان اطلاعات جانبی در سامانه های توصیه گر مدرن به طور گسترده افزایش پیدا کرده است. اکثر سامانه های توصیه گر مبتنی بر گراف دانش از فاکتورسازی ماتریس (MF) جهت مدل سازی روابط کاربر و آیتم استفاده می کنند.این امر باعث می شود سامانه توصیه گر به سختی تعاملات پیچیده بین کاربران و آیتم ها را مدل سازی کند. برای رفع این مشکل، در این مقاله مدل ONCF_Ripple ارائه شده است. این مدل، شبکه عصبی کانولوشن را به مدل RippleNet می افزاید. مدل RippleNet یک سامانه توصیه گر مبتنی بر گراف دانش می باشد. برای ارزیابی عملکرد مدل پیشنهادی، آزمایش های گسترده ای روی دو مجموعه داده دنیای واقعی در دو سناریوی شروع-سرد و شروع- گرم انجام شده است. نتایج آزمایش ها نشان می دهد که مدل ONCF_Ripple عملکرد قابل قبولی به ویژه در حالت شروع-سرد و پراکندگی داده ها داشته است
کلیدواژه ها:
نویسندگان