استفاده از اطلاعات برچسب با مدل حافظه ی کوتاه مدت طولانی برای بهبود عملکرد سیستمهای توصیه گر فیلم به کاربران

یک سیستم توصیه گر با ارائه ی پیشنهاد به کاربر کمک می کند تا در میان حجم عظیم اطلاعات سریع تر به هدف خود نزدیک شود. در سیستم های توصیه گر تلاش می شود که با حدس زدن شیوهی تفکر کاربر از طریق اطلاعاتی که از نحوه ی رفتار او با کاربران مشابه آنها وجود دارد، مناسب ترین و نزدیک ترین مورد به سلیقه ی کاربر شناسایی و پیشنهاد شود. در سال های اخیر استفاده از اطلاعات کمکی، در کنار ماتریس امتیازات برای به دست آوردن ویژگی های نهان کاربران و آیتم ها مورد توجه قرار گرفته است. از طرف دیگر مدل های یادگیری عمیق توانایی بالایی در یادگیری بازنمایی مناسب ویژگی ها، به خصوص در مواقعی که با داده های انبوه خام سروکار داریم، از خود نشان داده اند. در این مقاله، با بهره گیری از اطلاعات برچسب گذاری انجام شده توسط کاربران، یک مدل برای سیستم توصیه گر با استفاده از شبکه ی حافظه ی کوتاه مدت طولانی ارائه شده است. با توجه به اینکه برچسب ها اطلاعات کمکی را برای بازتاب ترجیحات کاربران و آیتم ها فراهم می کند کارایی سیستم های توصیه گر بهبود پیدا کرده است. نتایج تجربی حاصل از انجام آزمایش ها روی مجموعه داده ی واقعی MovieLens - 20M برای معیار میانگین مجذور مربعات خطا مقدار 0 / 89 و برای معیار میانگین قدر مطلق خطا مقدار 0 / 18 را نشان می دهد که بیانگر بهبود خوبی نسبت به سایر روش ها است.

Keywords:

سیستم توصیه گر , پالایش همکارانه , برچسب , یادگیری عمیق , حافظهی کوتاه مدت طولانی