سیستم توصیه‌گر سبد بازار سلامت با رویکرد ترکیبی پالایش مشارکتی و یادگیری عمیق

سیستم‌های توصیه‌گر به کاربران کمک می‌کنند مجموعه بزرگی از آیتم‌ها را در جستجوی آیتم‌های «مورد علاقه» هدایت کنند. افراد هر روز در زندگی روزمره خود با گزینه‌های بیشتری در بازار سلامت روبرو می‌شوند. سیستم توصیه‌گر سبد بازار سلامت به عنوان یک ابزار قوی برای پیشنهاد کالاهای سلامت موردنیاز افراد است. فرآیند این پژوهش به این صورت است که ابتدا داده های ورودی به سیستم مورد پیش پردازش قرار گرفته و مقادیر ویژ گیها مورد پردازش واقع می شوند. سپس برای اینکه محاسبات را دقیق تر شوند و زمان و دقت محاسبات نیز بهبود یابد اقدام به کاهش تعداد ابعاد داده های ورودی با روش dbn شده است تا ویژگی هایی که اضافی هستند و در محاسبات مورد نیاز نیستند حذف شوند و با استفاده از یک رویکرد یادگیری عمیق در پالایش مشارکتی اقدام به پیشنهاد به کاربر شده است. برای سنجش نتایج حاصله برحسب متریکهای ارزیابی از مقایسه روش پیشنهادی با سه روش دیگر انجام شده است. نتایج آزمایشگاهی نشان داد که روش پیشنهادی دارای عملکرد مطلوبی بوده و می تواند بطور موثری، عمل نماید و در اکثر موارد، بهتر از سایر روشهای مورد مقایسه ظاهر شده و با آنکه در پاره ای موارد جزیی دارای عملکرد متوسطی بوده ولی در مجموع به وضوح نتایج نشان دادند که روش پیشنهادی در کارآمدی محسوسی نسبت به سایر روشها بوده است.

a health market basket recommender system using collaborative filtering and deep learning

recommender systems help users navigate a large collection of items in search of favorite items. people face more options in the health market every day in their daily life. the health market basket recommender system is a powerful tool for recommending health products needed by people. the process of this research is that first the input data to the system is pre-processed and the values of the features are processed. then, in order to make the calculations more accurate and to improve the time and accuracy of the calculations, the number of dimensions of the input data has been reduced with the dbn method to remove the features that are redundant and not needed in the calculations and using a learning approach. deep in the collaborative refining action is offered to the user. to measure the results obtained in terms of evaluation metrics, the proposed method has been compared with three other methods. the laboratory results showed that the proposed method has a good performance and can work effectively, and in most cases, it appeared better than the other compared methods, and although in some cases it has a moderate performance, but overall, the results are clear. they showed that the proposed method was significantly more efficient than other methods.