21185

۲۱۱۸۵

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

كارشناسي ارشد

نرم افزار

۹۵-۹۸

۱۳۹۸/۴/۱۰

دكتر عين الله خنجري

كامپيوتر

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.

1398/07/15

Improvement of Recommender Systems based on Collaborative Filtering using deep learning and matrix factorization algorithms

7/1/2019 12:00:00 AM

Collaborative filtering(CF) is one of the best and widely employed approaches in recommender systems(RS). This approach tries to find some latent features for users and items so it would predict user rates with these features. Early CF methods used matrix factorization to lern users and items latent features. But these methods face cold start as well as sparsity problem. Recent years methods employ side information along with rating matrix to learn users and items latent features. On the other hand,deep learning methods show great potential for learning feature especially when auxiliary information is sparse. Due to this feature of deep learning, we use deep learning to feature extraction for items and users. In particular, we propose a hybrid method with deep learning alongside matrix factorization. Our goal is to use deep learning and matrix factorization to extract the content features of the items and users and to estimate the unknown matrices of the rating matrix in the recommender systems.