بهبود سيستم هاي پيشنهاد دهنده مبتني بر پالايش گروهي با استفاده از الگوريتم هاي يادگيري عميق و تجزيه ي ماتريس

كارشناسي ارشد

اينترنت به عنوان ابزاري در دسترس همگان، حجم فراواني از داده ها را پيش روي كاربران خود قرار داده است. به طوري كه امروزه با توجه به حجم روزافزون داده و اطلاعات،نياز به سيستم¬هايي كه توانايي هدايت كاربران به سمت كالا و سرويس مورد نظر را داشته باشند بيش از پيش احساس مي¬شود. سيستم-هاي پيشنهاددهنده از طريق تحليل اين داده¬ها به كاربران، كالا يا خدماتي را توصيه (پيش¬بيني) مي¬كنند. از مهم¬ترين وب¬سايتي كه از سيستم¬هاي پيشنهاددهنده استفاده مي¬كند آمازون با بيش از صد ميليون كاربر است.روش پالايش گروهي يكي از كارآمدترين و پركاربردترين روش هاي مورد استفاده در بسياري از سيستم¬هاي پيشنهاددهنده است. روش هاي اوليه پالايش گروهي ويژگي هاي نهان كاربران و گزينه ها را با استفاده از تجزيه ماتريس امتيازات به دست مي آوردند، اما اين روش ها با مشكل شروع سرد و تنك بودن ماتريس امتيازات مواجه مي شوند. در سال هاي اخير استفاده از اطلاعات اضافه موجود، در كنار ماتريس امتيازات براي به دست آوردن ويژگي هاي نهان مورد توجه قرار گرفته است. از طرف ديگر، مدل هاي يادگيري عميق، توانايي بالايي در استخراج ويژگي¬هاي نهان، به خصوص در مواقعي كه با داده هاي خام بسياري سروكار داريم از خود نشان داده است. هدف ما استفاده از شبكه هاي عميق و تجزيه ماتريس براي استخراج ويژگي¬هاي محتوايي گزينه ها و كاربران و تخمين درايه¬هاي نامشخص ماتريس رتبه در سيستم-هاي پيشنهاددهنده و كاهش خطا و افزايش دقت در مدل پيشنهادي مي باشد.

193544

دانشگاه علم و صنعت ايران

نرم افزار

دكتر عين الله خنجري