سیستم توصیه گر مبتنی بر یادگیری عمیق با استخراج چندمقیاسه بافت متن

یکی از مشکلات اساسی که در سیستمهای توصیه گر پالایش گروهی مبتنی بر مدل وجود دارد و مانع دستیابی به رتبه بالای پیشگویی می شود، ت4ن4ک بودن داده های رتبه ی کاربر-آیتم است. ارایه روشهایی برای غلبه بر این مشکل، یکی از زمینه های تحقیقاتی است که در سالهای اخیر مورد توجه پژوهشگران در زمینه سیستمهای توصیهگر و داده کاوی قرار گرفته است. نتایج تحقیقات منجر به پیشرفتهای قابل توجهی از جمله معرفی روشهای ترکیبی شده است که اطلاعات کمکی نیز علاوه بر داده های رتبه استخراج میکنند. بطور خاص، روشهای ترکیبی مبتنی بر مدل متن، اطلاعات اضافی توصیف اسناد از قبیل بازدیدها و چکیده را به منظور بهبود دقت پیشگویی استفاده میکنند. با این وجود، این روشها دارای چند کاستی از جمله چشمپوشی از اطلاعات محتوای متن شامل مرتبه و کلمات پیرامون هر کلمه و همچنین فرض یکسان نویز گوسی برای فاکتورهای پنهان تمام آیتمها میباشند. در این مقاله، یک روش ترکیبی از شبکه های عصبی عمیق و تجزیه ی ماتریس احتمالی پیشنهاد میشود که اطلاعات محلی تکمیلی را به کمک پنجره چند مقیاسه از پیرامون هر کلمه در متن استخراج کرده و همزمان نویز متفاوتی برای هر فاکتور پنهان آیتمها در نظر میگیرد. یکی از امتیازات برجسته روش پیشنهادی این است که به کمک پنجره چندمقیاسه اطلاعلات پیرامون هر کلمه در مقیاس های متفاوت استخراج شده و در فرآیند پیشگویی مورد استفاده قرار میگیرد. با توجه به اینکه انتخاب اندازه بهینه ی پنجره در حالت پنجره با طول ثابت یک مشکل اساسی در کاربردهای مختلف است، استفاده از پنجره چندمقیاسه نگرانی از بابت انتخاب اندازه ی بهینه پنجره را برطرف کرده و از طرفی اطلاعات محلی محتوای متن بهتری را استخراج میکند. در روش پیشنهادی، متغیر آیتم به عنوان پل ارتباطی میان شبکه عصبی کانولوشن و رویکرد تجزیه ی ماتریس احتمالی به منظور استخراج رتبه ها و توصیف متن بکار رفته است. از معیار مجذور میانگین مربعات خطا به عنوان معیار ارزیابی و مقایسه روش پیشنهادی و روشهای موجود و متداول استفاده شده است. نتایج ارزیابی بر روی سه پایگاه دادهی متداول نشان میدهد که روش پیشنهادی نسبت به روشهای مرسوم و پایه در سیستمهای توصیه گر نتایج بهتری ارایه میکند.

کلیدواژه ها:

سیستم توصیه گر ، یادگیری عمیق ، شبکه عصبی کانولوشن ، استخراج چندمقیاسه بافت متن.