مجتبی حاتمی ورزنه - گروه آمار
حمیده داریوش همدانی - گروه آمار

درفضای غنی ازاطلاعات وب سیستم های پیشنهاددهنده سعی درتشخیص و مدل بندی علایق کاربر و هدایت او بسوی ایتم های مناسب دارند اکثرسیستم های پیشنهاددهنده با بهره گیری ازتکنیکهای اماری و با استفاده ازروشهای داده کاوی برروی فایل های ثبت شده عمل نموده و با استخراج الگوهای رفتاری کاربران به ارایه پیشنهاد اقدام می کنند پیشگویی نرخ کلیک روی آیتم ها و یا رتبه هایی که کاربران به ایتم ها می دهند ازوظایف مهم سیستم های پیشنهاد دهند است ازطریق مدلهای اماری میتوان به این مهم دست یافت یکی ازشیوه هایی که اخیرا مورد توجه قرارگرفته است مدلهای اثرات تصادفی دوخطی است که با استفاده ازاثرات تصادفی به پیشگویی رتبه ها می پردازد دراین مقاله می خواهیم تاثیر استفاده ازداده های محتوا برپیشگویی رتبه و نرخ کلیک روی آیتم ها را بررسی کنیم بدین منظور ابتدا مدل Regression-based Latent Factor Model( RLFM ارایه شده توسط اگاروال 2009 را معرفی می کنیم دراین مدل فقط ازویژگیهای کاربر ایتم و فعالیت های قبلی کاربر و همچنین اثرات پنهان کاربر و ایتم استفاده میشود سپس به توصیف مدل Bias-smoothed Tensor Model( BST ارایه شده توسط چن 2011 می پردازیم که هدف آن براورد رتبه کاربر درمجموعه ای ازکامنت هاست دراین مدل علاوه برویژگیهای کاربر ایتم فعالیت های قبلی کاربر و اثرات پنهان کاربر و ایتم ازاطلاعات اضافی چون داده های محتوی و ساختارصفحات وب استفاده میشود.

سیستم پیشنهاد دهنده، پالایش گروهی، اثرات تصادفی، BST ،RLFM