ارائه یک سیستم توصیه‌گر فیلم جدید فیلم مبتنی بر فیلترگذاری مشارکتی و یادگیری عمیق

در این پژوهش، یک سیستم توصیه‌گر ترکیبی مبتنی بر ادغام یادگیری عمیق و قوانین انجمنی معرفی می‌شود که هدف آن بهبود دقت، پوشش اقلام long-tail و توضیح‌پذیری توصیه‌ها در داده‌های تنک است. در بخش یادگیری عمیق، نمایش‌های برداری کاربران و اقلام با استفاده از شبکه‌های عصبی چند‌لایه (mlp) یا مدل‌های برداری تعاملی آموخته می‌شود تا روابط غیرخطی میان تعاملات کاربر–فیلم استخراج گردد. در بخش قوانین انجمنی، الگوریتم کارای fp-growth با دو بار پیمایش پایگاه داده، مجموعه اقلام پرتکرار و قوانین i→xرا بر اساس معیارهای پشتیبانی، اطمینان و بالابر استخراج می‌کند. خروجی هر دو بخش در مرحله‌ی ترکیب امتیازی (score-level fusion) با ضریب وزنی a ادغام شده و امتیاز نهایی توصیه برای هر کاربر محاسبه می‌گردد. روش پیشنهادی بر روی مجموعه داده‌ی movielens ارزیابی و با مدل‌های پایه شامل dl-only، fp-only و cf سنتی مقایسه شده است. نتایج نشان می‌دهد که سیستم ترکیبی در معیارهای precision@k، recall@k، map@k و ndcg@k به‌طور میانگین بیش از 7٪ نسبت به بهترین مدل‌های منفرد بهبود داشته است. همچنین، پوشش اقلام و پایداری عملکرد در بازه‌های مختلف افزایش یافته و هزینه‌ی محاسباتی اندکی به سیستم افزوده شده است. این نتایج موید آن است که تلفیق نمایه‌های عصبی و قوانین آماری می‌تواند تعادلی میان دقت، کارایی و توضیح‌پذیری در سیستم‌های توصیه‌گر ایجاد کند