27179

ارائه‌ي مدلي براي بهبود عملكرد سيستم‌هاي توصيه‌گر با استفاده از روش‌هاي جاسازي گراف در شبكه‌هاي اجتماعي چند لايه؛ مورد تحقيق: مجموعه داده‌ي مووي‌لنز

كارشناسي ارشد

مهندسي فناوري اطلاعات - گرايش تجارت الكترونيكي

1398

1401/7/11

دكتر مهدي غضنفري

دكتر بابك اميري

مهندسي صنايع

با افزايش چشمگير سرعت توليد اطلاعات، پيدا كردن اطلاعات مورد نياز توسط كاربران و استفاده از آن‌ها، سخت‌تر مي‌شود. به همين دليل، راهكارهايي براي حل اين مشكل ارائه شده است كه استفاده از سيستم‌هاي توصيه‌گر يكي از اين راهكارهاست. در سال‌هاي اخير، با توجه به قدرت شبكه‌هاي اجتماعي چندلايه در ارائه‌ي اطلاعات بيشتر در ارتباط با كاربران و اقلام، استفاده از اين شبكه‌ها در سيستم‌هاي توصيه‌گر افزايش يافته است. يكي از چالش‌هاي موجود در اين زمينه، نحوه‌ي مدل‌سازي و استفاده از اطلاعات موجود در شبكه‌هاي اجتماعي چندلايه در سيستم‌هاي توصيه‌گر است. تا به حال مدل‌هاي فراواني براي جاسازي گراف‌هاي چندلايه ارائه شده است. در اين تحقيق، با استفاده از روش‌هاي جاسازي گراف‌هاي چندلايه و بر اساس فرامسيرها، مدلي ارائه مي‌شود كه به بهبود نتايج سيستم توصيه‌گر كمك مي‌كند. مدل ارائه‌شده در اين تحقيق از اطلاعات زمينه‌اي كاربران و فيلم‌ها به طور همزمان استفاده مي‌كند و پيوندهاي ميان كاربران و فيلم‌ها نيز بر اساس رتبه‌هاي داده‌شده توسط كاربران به صورت وزن‌دار هستند. در نهايت، نتايج سنجش كارايي مدل بر اساس معيارهاي MAE و RMSE بر روي مجموعه‌ي داده‌ي مووي‌لنز نشان‌دهنده‌ي تأثير اين مدل در بهبود نتايج سيستم توصيه‌گر است.

1401/07/26

Propose a model for improving the performance of recommender systems using graph embedding methods in multilayer social networks; Case Study: MovieLens Dataset

10/3/2023 12:00:00 AM

It's become more difficult to use the information because data and information are growing exponentially. For this reason, many solutions have been provided to solve this problem e.g. recommender systems. In recent years, due to the power of multilayer social networks in providing more information about users and items, the use of these networks in recommender systems has increased. One of the challenges in this field is how to model and use information in multilayer social networks to use it in the recommender systems. So far, many models have been presented for embedding multilayer graphs. In this research, using the methods for embedding multilayer graphs and based on metapaths, a model is presented that helps to improve the results of the recommender system. The model presented in this research uses the background information of users and videos simultaneously, and the links between users and videos are weighted based on the ratings given by users. Finally, the results of measuring the efficiency of the model based on the MAE and RMSE on the MovieLens dataset show the effect of this model in improving the recommender system results.

سيستم توصيه‌گر , شبكه‌ي اجتماعي چندلايه , فرامسير , جاسازي گراف , گام عميق

recommender system , multilayer social network , metapath , graph embedding , deepwalk

Omid Jahadi

Dr. Mehdi Ghazanfari