بهبود عملکرد سیستم های توصیه گر پالایش مشارکتی با استخراج عمیق ویژگی ها
آرشیو
چکیده
حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیم گیری و انتخاب اطلاعات، داده یا کالاهای مورد نیاز را برای بسیاری از کاربران وب دشوار کرده است. سیستم های توصیه گر با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب ترین اقلام داده، اطلاعات یا کالا می نمایند. در این پژوهش، با بهره گیری از تکنیک های یادگیری عمیق، روشی برای بهبود عملکرد سیستم های توصیه گر پالایش مشارکتی ارایه شده است. هدف، استفاده از استخراج عمیق ویژگی ها در جهت ارائه پیشنهادهای موثرتر و مطلوب تر به کاربر سیستم مورد نظر است. در بخش پیش پردازش، ابتدا داده های ورودی در سیستم پردازش اولیه قرار وارد می شوند و مقادیر ویژ گی ها نرمال سازی می شوند. سپس، برای اینکه محاسبات دقیق تر انجام گیرد و زمان محاسبات نیز کاهش یابد، با استفاده از یک شبکه باور عمیق (DBN)، ضمن استخراج عمیق ویژگی ها، ابعاد داده ها کاهش می یابد. سپس، با استفاده از تکنیک پالایش مشارکتی، اقلام پیشنهادی به کاربر ارائه می شوند. در پایان، با توجه به خروجی های سیستم در توصیه به کاربر، ارزیابی صحت اقلام پیشنهادی صورت می گیرد. جهت ارزیابی روش پیشنهادی از مقایسه عملکرد آن برروی مجموعه داده دنیای واقعی MovieLens با روش های پایه استفاده شده است. نتایج تجربی نشان داد روش پیشنهادی از نظر پوشش و حمایت نسبت به سایر روشهای مورد مقایسه، عملکرد بهتری دارد.Improving the performance of collaborative filtering recommender systems using deep features extraction
The growing volume of information on the Web and the Internet has made difficult the process of deciding and selecting the information, data, or products needed for many web users. This study proposed a novel method to improve the performance of collaborative filtering recommender systems. The goal is to use deep feature extraction to provide more effective and desirable recommendations to the user. In the preprocessing step, the input data is first entered into the primary processing system and the feature values are normalized. Then, in order to perform more accurate calculations and reduce computation time, the size of the data is reduced using a deep belief network (DBN), while extracting deep features. Afterwards, using the collaborative filtering technique, the recommended items are offerd to the user. Finally, according to the system outputs in the recommendation to the user, the accuracy of the proposed items is evaluated. To evaluate the proposed method, a comparison of its performance on the real-world MovieLens dataset with basic methods has been used. Experimental results showed that the proposed method has better performance in terms of coverage and support than other compared methods.
تبلیغات
