8116

بررسي انواع روش‌هاي يادگيري عميق در سيستم‌هاي توصيه‌گر

1399

دكتر حسين رحماني

امروزه با توجه به حجم زياد اطلاعات و داده‌هاي اطراف انسان‌ها و هم‌چنين تنوع محصولات و آيتم‌‌هايي كه به انسان‌ها عرضه مي‌شود، انتخاب بهترين گزينه و تصميم‌گيري بسيار مشكل شده‌است. از طرفي گسترش سيستم‌هاي برخط مانند فروشگاه‌هاي برخط، وب‌سايت‌هاي پخش فيلم و موسيقي و حتي موتورهاي جست‌وجو، توانسته‌اند داده‌هايي از فعاليت‌هاي كاربران، تعامل كاربران با آيتم‌ها مانند امتيازدهي به آيتم‌ها جمع‌آوري كنند كه اين داده‌ها مي‌تواند هم از كاربران ناشناس و يا از كاربران شناخته شده تهيه شده شوند. طبق آن‌چه بيان شد نياز به توسعه سيستم‌هايي كه با دقت بالا بتوانند خواسته‌هاي كاربران را تشخيص دهند و با پيشنهاد دادن آيتم‌ها و يا ربته‌بندي آن‌ها به انتخاب و تصميم‌گيري كابران كمك كنند، بيش از پيش مورد نياز خواهد بود. براي پردازش داده‌هاي تعامل كاربران و آيتم‌ها، مدل‌سازي‌هاي مختلف مانند ماتريس و گراف از اين داده‌ها ساخته شده‌است و انواع روش‌هاي احتمالاتي، تكنيك‌هاي بازيابي اطلاعات و يادگيري ماشين براي كارآيي بيشتر سيستم‌هاي توصيه‌گر استفاده شده‌است. در اين تحقيق با توجه به نتايج شگرف از يكي از زيرشاخه‌هاي يادگيري ماشين، يعني يادگيري عميق كه در بسياري از حوزه‌ها، از جمله سيستم‌هاي توصيه‌گر، مورد توجه قرار گرفته است، بر آن شديم تا مطالعه‌اي بر سيستم‌هاي توصيه‌گر مبتني بر يادگيري عميق انجام دهيم. ما در اين تحقيق سعي داريم تا با شناخت انواع مدل‌ها و معماري‌هاي به‌روز از شبكه‌هاي عصبي عميق، به چگونگي اعمال اين روش‌ها بر داده‌هاي تعامل كاربران و آيتم‌ها و هم‌چنين چگونگي حل چالش‌ها و ارتقاي سيستم‌هاي توصيه‌گر به كمك اين مدل‌ها بپردازيم.

12/30/2020 12:00:00 AM

70272

1399/10/27

Deep Learning based Recommender Systems

سيستم‌هاي توصيه‌گر , يادگيري عميق , سيستم‌هاي توصيه‌گر مبتني بر يادگيري عميق , شبكه‌هاي عصبي عميق

Recommender Systems , Deep Learning , Deep Learning based Recommender Systems , Deep neural networks