افزایش کارایی سیستم پیشنهاددهنده مبتنی بر تجزیه ماتریس با پیشنهادی برای تنظیم مقدار اولیه ویژگیهای نهان آیتمها

سیستمهای پیشنهاددهنده نمونه ای از موفق ترین ابزارهای شخصی سازی در وب هستند. کشف اطلاعات مناسب برای راهنمایی کاربر یا کشف آیتم های مورد علاقه کاربر در یک فضای بسیار بزرگ از انتخاب های ممکن، از جمله قابلیت های سیستم های پیشنهاد دهنده هستند. هدف اصلی یک سیستم پیشنهاد دهنده، کشف علایق کاربر و توصیه آیتم ها و خدمات جدید به وی است. چنین سیستمی، یک ابزار ضروری برای فروشگاههای بزرگ اینترنتی مثل دیجی کالا است. یکی از روشهای مهم استفاده شده در سیستم های پیشنهاددهنده، روش مبتنی بر تجزیه ماتریس است. در این روش، با استفاده از امتیازات داده شده کاربران به برخی از ایتمها، برای هر کاربر و هر آیتم، یک بردار ویژگی استخراج میشود که ویژگیهای نهان کاربر با آیتم نامیده میشود. خطا و زمان اجرای این روش، وابسته به مقدار اولیه ویژگیهای نهان میباشد. تا پیش از این، مقدار اولیه ویژگیهای نهان، مقداری تصادفی در نظر گرفته میشد. در این مقاله، از جواب تقریبی شکل ساده شده مساله تجزیه ماتریس، به عنوان جواب اولیه مساله اصلی تجزیه ماتریس استفاده خواهد شد. آزمایش های انجام شده بر روی مجموعه داده DouBan aml - latest - small Movielens100k و EachMovie نشان می دهد که در صورت استفاده از روش پیشنهادی، میزان خطا و زمان اجرای روش تجزیه ماتریس بهبود می یاید.

Keywords:

سیستم پیشنهاددهنده , تجزیه ماتریس , مقدار اولیه ویژگیهای نهان