پیشنهادات کالیبره شده براساس احساسات استخراج شده از متون مرتبط با آیتم ها
|
|
|
|
|
|
|
|
نویسنده
|
پارساراد شیوا ,هراتی زاده سامان
|
|
منبع
|
كنفراس فناوري اطلاعات و دانش (Ikt2021) - 1400 - دوره : 12 - کنفراس فناوری اطلاعات و دانش (IKT2021) - کد همایش: 00210-94457 - صفحه:0 -0
|
|
|
|
|
چکیده
|
سیستم‌های توصیه‌گر برای پیشنهاد آیتم‌ها به کاربران براساس علاقه‌مندی آن‌ها ایجاد شده‌اند. در این سیستم‌ها براساس آنچه که در گذشته کاربر وجود دارد علاقه‌مندی‌های او مشخص و به او پیشنهادهایی ارائه می شود. معمولا هدف سیستم‌های توصیه‌گر داشتن حداکثر صحت در پیش‌بینی علاقه مندی کاربر است. اما در سال‌های اخیر موضوع عادلانه بودن پیشنهادات به کاربر مورد توجه قرار گرفته است. کالیبراسیون می‌تواند نتایج عادلانه‌ای را برای پیشنهاد به کاربر تولید کند. هدف آن پوشش تمامی طیف علاقه‌مندی‌های کاربر است. در تمامی مقالات مربوط به کالیبراسیون سیستم‌های توصیه‌گر، کالیبره کردن براساس ژانر صورت گرفته است. در این مقاله ایده استفاده از توزیع احساسی استخراج شده از متون مربوط به آیتم‌ها، به عنوان جایگزین توزیع ژانری به منظور کالبیره کردن توصیه ها پیشنهاد شده است. گرچه رویکرد پیشنهادی به صورت پس پردازش عمل کرده و وابسته به مدل پایه توصیه‌گر نیست اما ما براساس عملکرد بهتر مدل یادگیری عمیق مشارکتی از آن به عنوان مدل پایه خود استفاده کردیم. مدل روی مجموعه داده movielens و براساس معیارهای مختلف ارزیابی شد. عملکرد مدل پیشنهادی نشان داد که کالیبره‌کردن پیشنهادات براساس احساسات در مقایسه با ژانر مقدار بازیابی را به میزان قابل توجهی افزایش می دهد و بعلاوه همزمان دارای خطای کالیبراسیون بسیار کمی نیز هست.
|
|
کلیدواژه
|
احساسات استخراج شده از متن، پیش‌بینی صحیح علاقه‌مندی‌های کاربر، سیستم توصیه گرعادلانه،کالیبراسیون لیست پیشنهادی
|
|
آدرس
|
|
|
|
|
|
|
|
|
|
|