17766

17766

پيشنهاد پويا در سامانه هاي پيشنهاددهنده

دكتري

هوش مصنوعي

مهر 1395

دكتر بهروز مينايي

دكتر انالويي دكتر رزقي

كامپيوتر

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.

1396/06/06

1/1/1900 12:00:00 AM

Recommender systems have rapidly grown in proportion to digital applications development. Collaborative filtering is one of the best methods in recommender systems which is working based on users and items similarities. One of the main challenges of recommender systems’ algorithms is data sparsity. This challenge would be so crucial if we are going to consider another dimension, time, besides two dimensional data, user and item. Users’ behavior change through time duration and environmental state. In this dissertation, we are going to present a dynamic recommendation model for recommender systems. We use time dimension as an independent dimension for solving dynamic recommendation. Sparsity becomes worse when we use time dimension. Introducing a dynamic solution is the main challenge of this research. In this dissertation, we have presented a blueprint design of recommendation systems which includes a few phases. Each phase, target the sparsity challenge from a different point of view. In the first phase of this structure, the co-clustering algorithm is used on user-item matrix to create smaller matrices which their users and items are similar while these matrices benefit from much less sparsity. In the second phase, we use initialized latent matrices of users and items for clustering matrices which leads to a more convergent model. In the third phase, we set these matrices in main user-item matrix and solve a new dense matrix via a collaborative filtering algorithm like matrix factorization. In the last phase, we create a new user-time matrix and then using the multi-linear regression technique we solve the user-item matrix. Our experiments are performed in any state of the phases on MovieLense and EachMovie datasets. Results demonstrate better results versus competitive models. We have eva​luated our model based on RMSE value to show significant reduction of prediction error rate when we use the time dimension. But, if we are going to recommend items to the users based on the time, we have to use time dimension after co-clustering and solve small user-item-time tensor via tensor decomposition and then obtain the main tensor. Solving this dense user-item-time tensor we can recommend an item based on the time aspect, although, the accuracy of this recommendation is somehow less than the previous experiment in the MovieLense dataset, but we have obtained the time feature in our new recommendation.