یادگیری عمیق در سامانه های توصیه گر

روش پالایش همکارانه‌یکی از کارآمدترین و پرکاربردترین روش‌های مورد استفاده در بسیاری از سامانه‌های توصیه‌گر است. روش‌های اولیه پالایش همکارانه ویژگی‌های نهان کاربران و گزینه‌ها را با استفاده از تجزیه ماتریس امتیازات به دست می‌آوردند، اما این روش‌ها با مشکل شروع سرد و تنک بودن ماتریس امتیازات مواجه می‌شوند. در سال‌های اخیر استفاده از اطلاعات اضافه موجود، در کنار ماتریس امتیازات برای به دست آوردن ویژگی‌های نهان مورد توجه قرار گرفته است. از طرف دیگر، مدل‌های یادگیری عمیق، توانایی بالایی در یادگیری بازنمایی مناسب، به خصوص در مواقعی که با داده‌های خام سروکار داریم از خود نشان داده‎اند. باتوجه به این قابلیت یادگیری عمیق، در این پژوهش از شبکه‌های عمیق برای به دست آوردن نمایش مناسب از گزینه‌ها استفاده شده‌است. به‌طور خاص، یک مدل ترکیبی از یادگیری عمیق در کنار تجزیه ماتریسی ارائه شده است که یک ارتباط دوطرفه بین ویژگی‌های به‌دست آمده از تجزیه ماتریسی و ویژگی‌های محتوایی استخراج شده با استفاده از یادگیری عمیق درباره گزینه‌ها ایجاد می‌کند. در این مدل به طور همزمان پارامترهای هر دو بخش یادگرفته می‌شود. مقایسه مدل پیشنهادی با برترین روش‌های ارائه شده در سال‌های اخیر بر روی مجموعه داده‌های مختلف دنیای واقعی، برتری روش پیشنهادی بر سایر روش‌های ارائه شده را نشان می‌دهد.