پيشنهاد پويا در سامانه هاي پيشنهاددهنده

دكتري

با توسعه ارتباط ديجيتال استفاده از سامانه¬هاي پيشنهاددهنده اهميت زيادي پيدا كرده است. پالايش مشاركتي يكي از بهترين روش¬هاي اين سامانه¬ها است كه بر اساس مشابهت بين كاربران و كالاها مدل¬سازي مي¬كند. يكي از بزرگترين چالش¬هاي اين سامانه¬ها تنكي داده است. تنكي زياد داده در مدل¬سازي الگوريتم-هاي سامانه¬هاي پيشنهاد كالا به كاربر اختلال ايجاد مي¬كند. وقتي كه بخواهيم از يك بعد مانند زمان در كنار ابعاد كاربر-كالا استفاده كنيم، تنكي داده شدت بيشتري پيدا مي¬كند. يكي از مسائلي كه در اين سامانه¬ها وجود دارد اين است كه علاقه كاربران به كالاها در بازه¬هاي زماني مختلف، متفاوت است. همچنين بعد زمان در افزايش صحت پيش¬بيني اثر دارد. در اين رساله از بعد زمان به عنوان يك بعد مستقل با دو كاربرد كاهش خطاي پيش¬بيني و پيشنهاد پويا استفاده شده است. پيشنهاد پويا در اين رساله به معني استفاده از بعد زمان علاوه بر ابعاد كاربر و كالا است. اين بعد باعث مي¬شود كه پيشنهاد كالاي بعدي به كاربر مورد توجه قرار گيرد. به همين خاطر از بعد زمان به عنوان يك بعد مستقل در مدل¬سازي استفاده شده است. با افزودن بعد زمان تنكي داده بسيار زياد مي¬شود و به عنوان اصلي¬ترين چالش تحقيق مورد بررسي قرار مي¬گيرد. در اين رساله يك معماري كلان پيشنهاد شده است كه هر مرحله از آن از يك زاويه تنكي داده را مورد بررسي قرار داده است. اين معماري به دو روش قابل انجام است. در كاربرد اول از بعد زمان فقط براي كاهش خطاي پيش¬بيني استفاده شده است. در مرحله اول اين كاربرد از خوشه¬بندي دووجهي روي ماتريس كاربر-كالا براي ايجاد ماتريس¬هاي كوچك و با كاربران و كالاهاي مشابه استفاده شده است. ماتريس¬هاي كوچك علاوه بر كاهش تنكي داده، داراي كاربران و كالاهاي مشابه هستند كه صحت مدل¬سازي را افزايش مي¬دهند. براي حل ماتريس¬هاي كوچك، در مرحله دوم براي افزايش همگرايي در ماتريس¬هاي كوچك، ماتريس¬هاي ويژگي¬هاي پنهان كاربر و كالا در روشي جديد مقداردهي اوليه مي¬شوند. با ادغام ماتريس¬هاي كوچك حل شده در ماتريس اصلي، حل تنكي داده را با چالش كمتر مواجه مي¬كند. در مرحله آخر ماتريس كاربر-زمان ايجاد مي-شود و با كمك روش رگرسيون چند خطي و ماتريس كاربر-زمان مي¬توان مقادير ماتريس كاربر-كالا را به دست آورد. در كاربرد دوم معماري ترتيب پيشنهاد به كاربر را در نظر گرفته¬ايم كه پيشنهاد كالا به كاربر پويا مي¬شود. در اين روش بعد از خوشه¬بندي ماتريس اصلي كاربر-كالا، بعد زمان را به آنها اضافه كرده و تانسورهاي كاربر-كالا-زمان كوچك را حل مي¬كنيم. با ادغام تانسورهاي حل شده كوچك در تانسور اصلي ماتريس-كاربر-زمان، حل تانسور اصلي خطاي بسيار كمتري را خواهد داشت. براي افزايش همگرايي مدل-سازي تانسور روش¬هايي با استفاده از فاصله چگالي دو تابع و تجزيه غيرمنفي سلسه مراتبي تانسور با استفاده از همگرايي بتا ارائه شده است. نتايج در هر مرحله روي داده MovieLense, EachMovie انجام شد كه در تمام مراحل نتايج به دست آمده خطاي RMSE را به ميزان قابل توجهي كاهش مي¬دهد.

190147

دانشگاه علم و صنعت ايران

دكتر انالويي دكتر رزقي

هوش مصنوعي

دكتر بهروز مينايي