20390

۲۰۳۹۰

سامانه پيشنهاد دهنده با استفاده از مدل سازي امتيازات ضمني كاربران با شبكه بيز

كارشناسي ارشد

هوش مصنوعي

۱۳۹۲

۱۳۹۵/۲/۵

دكتر مرتضي آنالويي

كامپيوتر

با توجه به انباشت اطلاعات دربارهي كالا و خدمات مختلف در بستر اينترنت، بروز سامانه‌هاي پيشنهاد دهنده، بسط و گسترش آنها امري طبيعي مي‌باشد. تمركز ما در اين پژوهش بروي فيلم بوده كه تنوع فراواني دارد. بنابراين يافتن فيلم دلخواه براي كاربر با توجه به گستردگي گزينه‌ها و زمان اندك نياز به سامانه پيشنهاد دهنده در اين حوزه را توجيه مي‌كند. لذا در اين پژوهش در پي مدل سازي شباهت فيلم‌هاي مختلف با استفاده از توصيف متني آنها و گونه‌هاي سينمايي مربوطه مي‌باشيم. از ابن‌رو اقدام به طراحي و پياده‌سازي دو مدل بيزي مولد جهت اكتساب تشابه فيلم‌ها نموده‌ايم. مدل‌هاي ارائه شده در دسته مدل‌هاي موضوعي قرار گرفته و ماحصل آنها توزيع فيلم‌ها بروي موضوع‌هاي مختلف مي‌باشد. از توزيع بدست آمده توسط مدل‌هاي ارائه شده براي تغذيه مناسب مدل پسنمايي مشاركتي موضوع ها، در راستاي يادگيري فضاي نهان آيتم‌ها براي پيش‌بيني مورد پسند واقع شدن آيتم توسط كاربر، استفاده مي‌كنيم. براي ارزيابي مدل CTR از بخشي از مجموعه داده movielens-10M100K استفاده كرده كه 98.2 درصد تنك بوده و مجموعه داده اي ابعاد بزرگ و بسيار نا متعادل مي‌باشد. بدون حذف كاربران غير رايج دقت و بازخواني قابل قبولي براي CTR بدست مي‌اوريم. موضوع‌هاي حاصل از مدل‌هاي ارائه شده در اين پژوهش، ضمن حفظ نتايج رقابتي در پيش‌بيني درون ماتريسي، باعث بهبود قابل توجه در پيش‌بيني برون ماتريسي مي‌شوند. واژه‌هاي كليدي: سامانه پيشنهاد دهنده، شبكه مولد بيزي، مدل موضوعي.

1398/02/08

Recommender System based on Bayesian Modeling of Implicit User Rates

4/24/2016 12:00:00 AM

In the growth of social networks with presence of huge product and services choices for users, the recommendation systems have a prominent role in finding interested items for users. In this thesis we focus on movie recommendation and propose two topic models to finding similarity of movies by modeling movie plots and genres. The models find topics that have been well structured in term of movie contents. Meanwhile we use CTR model that can be factorize user-item matrix to learn user and item latent features, respectively. The CTR can use topics, which achieved from topic models, to learn item latent features appropriately. So our proposed model find topic proportions in movies and use it to feed CTR for recommendation task. We use movie plot corpus to learn topics and movielense-10M100k rating dataset that is 98.2% spars, large scale and highly imbalance dataset, to evaluate CTR model. Finally we show that modeling of movie genres, in addition of movie plots, can improve CTR in tem of recall and precision in out-of-matrix prediction. Keywords: Recommendation Systems, Topic models, Bayesian Network