بهبود عملکرد سیستم های توصیه گر فیلم به کاربران

با گسترش فضای مجازی و فراگیر شده استفاده از آن، کاربرد سیستم های توصیه گر نیز بسیار متداول شده و در حوزه هایی مانند فیلم های سینمایی، موسیقی، اخبار، کتاب ها، مقالات تحقیقاتی، جست و جوی پرسش ها، تگ های اجتماعی و… مورد استفاده قرار گرفته اند.

یک سیستم توصیه گر با ارائه پیشنهاد به کاربر کمک می کند تا در میان حجم عظیم اطلاعات سریع تر به هدف خود نزدیک شود. در سیستم های توصیه گر تلاش می شود که با حدس زدن شیوه تفکر کاربر از طریق اطلاعاتی که از نحوه رفتار او یا کاربران مشابه آنها وجود دارد، مناسب ترین و نزدیک ترین مورد به سلیقه کاربر شناسایی و پیشنهاد شود.

در سال های اخیر استفاده از اطلاعات کمکی، در کنار ماتریس امتیازات برای به دست آوردن ویژگی های نهان کاربران و آیتم ها مورد توجه قرار گرفته است. از طرف دیگر مدل های یادگیری عمیق توانایی بالایی در یادگیری بازنمایی مناسب ویژگی ها، به خصوص در مواقعی که با داده های انبوه خام سروکار داریم، از خود نشان داده اند.

در مقاله ای تحت عنوان «استفاده از اطلاعات برچسب با مدل حافظه کوتاه مدت طولانی  برای بهبود عملکرد سیستم های توصیه گر فیلم به کاربران»، با بهره گیری از اطلاعات برچسب گذاری انجام شده توسط کاربران، یک مدل برای سیستم توصیه گر با استفاده از شبکه حافظه کوتاه مدت طولانی ارائه شده است. با توجه به اینکه برچسب ها اطلاعات کمکی را برای بازتاب ترجیحات کاربران و آیتم ها فراهم می کند کارایی سیستم های توصیه گر بهبود پیدا کرده است.

نتایج تجربی حاصل از انجام آزمایش ها روی مجموعه داده واقعی MovieLens-20M برای معیار میانگین مجذور مربعات خطا مقدار 86/0 و برای معیار میانگین قدرمطلق خطا مقدار 68/0 را نشان می دهد که بیانگر بهبود خوبی نسبت به سایر روش ها است.

مقاله «استفاده از اطلاعات برچسب با مدل حافظه کوتاه مدت طولانی برای بهبود عملکرد سیستم های توصیه گر فیلم به کاربران» که در پنجمین کنفرانس وب پژوهی ارائه شد توسط معصومه قربانی، کاظم فولادی قلعه، امیرحسین کیهانی پور از گروه مهندسی کامپیوتر، دانشکده مهندسی، پردیس فارابی، دانشگاه تهران تالیف و ارائه شده است.

No tags for this post.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا