ارائه یک سامانه توصیه گر چندمعیاره با در نظر گرفتن داده های گمشده با استفاده از شبکه های عصبی عمیق

با پیشرفت علم و افزایش چشم گیر حجم اطلاعات، کاربرد سامانه‌های توصیه‌گر در زمینه‌های گوناگون گسترش یافته است. اغلب سامانه‌های توصیه‌گر از یک معیار رتبه‌بندی برای پیش‌بینی‌هایشان استفاده می‌کنند. با این حال، استفاده از سامانه‌های توصیه‌گر چند معیاره موجب ارائه پیش‌بینی‌های دقیق‌تری می شود. از چالش‌های اصلی در سامانه های توصیه گر، پراکندگی ماتریس کاربر-مورد (وجود داده‌های گمشده) است. این موضوع در سامانه‌های توصیه‌گر چند معیاره که کاربر باید برای یک مورد از جنبه های مختلفی امتیاز بدهد، بسیار گسترده تر است. این مقاله، الگوریتمی برای یک سامانه توصیه گر چندمعیاره با در نظر گرفتن داده های گمشده ارائه می‌دهد که از نظرات کاربران برای موارد مختلف استفاده کرده و با تحلیل این نظرات اطلاعات مفیدی استخراج می‌کند. این الگوریتم با در نظر گرفتن نظرات کاربران، موجب بهبود عملکرد سامانه توصیه‌گر می شود. همچنین، با ترکیب رتبه‌بندی‌ معیارهای مختلف، رتبه‌بندی کلی را به خوبی پیش‌بینی می کند. نتایج بدست آمده نشان دهنده کارایی روش پیشنهادی برای مدیریت داده‌های گمشده در سامانه‌های توصیه‌گر چندمعیاره است.

a multi-criteria recommender system considering missing values using deep neural networks

recommender systems have become extremely widespread in recent years, due to the progress of knowledge and the significant increase in the amount of information. most of the recommender systems only consider the overall opinions of users for the items. however, the use of multi-criteria recommender systems provides more accurate predictions. the data sparsity problem is one of the main challenges in recommender systems. this issue is much more widespread in multi-criteria recommender systems where the user has to rate an item from different aspects. this article presents an algorithm for a multi-criteria recommender system considering missing data, which uses users reviews and extracts useful information by analyzing them. this algorithm improves the performance of the recommender system by considering these reviews. it also predicts the overall rating accurately by combining the ratings of different criteria. the obtained results show the effectiveness of the proposed algorithm for managing missing values in multi-criteria recommender systems.