سیستم توصیه‌گر مبتنی بر نشست بر اساس شبکه توجه

در سال‌های اخیر، با توجه به افزایش حجم داده‌ها در اینترنت، سیستم‌های توصیه‌گر به ابزاری مهم برای یافتن اطلاعات مورد نیاز افراد تبدیل شده‌است. روش‌های مختلفی برای مدل‌سازی سیستم‌های توصیه‌گر در طول سالیان ارائه شده است که هر کدام مزایا و معایب متفاوتی دارند. به عنوان مثال، سیستم‌های توصیه‌گر سنتی، تعاملات کاربر-آیتم را به‌صورت ایستا مدل‌سازی می‌کنند و تنها می‌توانند ترجیحات عمومی کاربران را به تصویر کشند. ترجیحات عمومی نشان دهنده رفتارهای درازمدت کاربر است که در طول زمان عموما ثابت است و تنها تکیه بر مدل‌های بلندمدت برای ارائه توصیه‌های خوب کافی نیست، زیرا مدل‌های بلندمدت نمی‌توانند رفتارهای کوتاه‌مدت کاربر را در بسیاری از موقعیت‌ها پوشش دهند. به همین جهت از مفهومی به نام نشست استفاده می‌کنیم. یک نشست متشکل از چندین تعامل کاربر-آیتم است که با هم در یک دوره زمانی پیوسته اتفاق می‌افتند. ما در این مقاله قصد داریم یک سیستم توصیه‌گر مبتنی بر نشست ارائه کنیم که از شبکه توجه استفاده می‌کند، به این منظور که برای هر آیتم، یک وزن با توجه به اهمیت آن آیتم برای کاربر اختصاص می‌دهیم. برای ارزیابی مدل از سه مجموعه داده استفاده کردیم و با روش‌های قبلی به مقایسه پرداختیم که نتایج نسبت به قبل بهبود داشته است.