27023

الگوريتم تطبيقي كارآمد براي توصيه‌گر پرسش روي كتابخانه‌هاي رقمي و نمونه‌سازي

كارشناسي ارشد

مهندسي كامپيوتر- هوش مصنوعي و رباتيكز

1397-1400

1400/12/23

محمدرضا كنگاوري

مهندسي كامپيوتر

سيستم¬هاي توصيه‌گر يكي از مدل‌هاي محبوب براي ايجاد تصميم‌گيري‌هاي خودكار هستند. يكي از چالش‌هاي اصلي در اين زمينه مواجهه با آيتم‌ها و كاربراني است كه هيچ ارتباطي با ساير موجوديت‌ها نداشته‌اند. اين موجوديت‌ها با عنوان آيتم‌ها و كاربران با شروع سرد شناخته مي‌شوند. عدم وجود اين ارتباطات منجر به ناتواني روش‌هاي مبتني بر سيگنال مشاركتي براي استخراج ترجيحات مرتبط مي‌شود. روش‌هاي متفاوتي براي حل اين مشكل معرفي شده است، ازجمله اين موارد مي‌توان به درنظرگرفتن محتواي مربوط به كاربران و آيتم‌ها در سيگنال‌هاي مشاركتي نام برد. يكي از روش‌هاي برتر در حل اين چالش درنظرگرفتن وابستگي متقابل بين ويژگي‌هاي محتوايي و سيگنال‌هاي مشاركتي است. اين روش با بيشينه كردن وابستگي بين ويژگي‌هاي آيتم‌ها و سيگنال‌هاي مشاركتي و درنظر گرفتن يك روش يادگيري متناقض منجر به ايجاد نمايش مناسبي براي آيتم‌ها با شروع سرد و همچنين ساير آيتم‌‌ها مي‌شود. يكي از بخش‌هاي اصلي اين روش، ايجاد يك نمايش تعبيه شده بهينه براي كاربران و آيتم‌ها است. شبكه عصبي گراف به‌عنوان يكي از برترين روش‌ها براي ايجاد اين نمايش معرفي شده است. در اين پايان نامه، يك شبكه عصبي گراف مبتني بر ارتباطات گذشته كاربران و آيتم‌ها و همچنين ويژگي‌هاي آن‌ها در چارچوب يك الگوريتم يادگيري متناقض قرارگرفته‌است. مدل ايجادشده قادر به يادگيري نمايش بهتر و بهينه‌تري براي آيتم‌ها و كاربران، مخصوصا آيتم‌ها با شروع سرد است. نتايج آزمايش‌ها نشان مي‌دهد كه درنظرگرفتن اين شبكه عصبي گراف در چارچوب يادگيري متناقض منجر به افزايش كارايي سيستم توصيه‌گر مي‌شود. همچنين وب سرويسي مبتني بر اين مدل براي ارائه ترجيحات كاربران بر روي Movielens ايجاد شده كه نمونه‌سازي روش پيشنهادي را نشان مي‌دهد.

1401/06/29

An efficient adaptive algorithm for query recommender on digital libraries and prototyping

3/14/2023 12:00:00 AM

Recommendation system is one of the popular models for automatic decision making. These systems encounter with the challenge when there ae no interactions for some of users or items which are called cold-strt user or cold-start item. Collaborating filtering method fails in extracting the preferences when there is a cold-start problem for a user or an item. Lots of approaches have tried to solve this problem, one of them which could help is adding the content of items or users to the collaborative signals. Considering the mutual dependency between content features and collaborative signal has shown improvements in solving the cold start problem. Maximizing the dependency between items features and collaborative signals with consideration of contrastive learning will produce a suitable presentation for cold start items. One of the main parts of this approach is making an optimized embedding presentation for users and items. Graph neural network is one of the best methods for creating these presentations. We introduce a graph neural network based on users-items past interactions and their features in a contrastive learning framework. This model is able to learn better presentations specially for cold start items. The results have shown this method has increased the performance of recommendation system. We implement our proposed method on a web service with Movielens digital library.

: سيستم توصيه‌گر , يادگيري متناقض , شبكه عصبي گراف , شروع سرد

Recommendation systems , Contrastive learning , Graph Neural Network , Cold Start

Fatemeh Sadat Rezvaninejad

Mohammad Reza Kangavari