سجاد احمدیان

در سال‌های اخیر، سیستم‌های توصیه‌گر به یکی از مهم‌ترین ابزارهای شخصی‌سازی محتوا در حوزه‌های مختلف از جمله تجارت الکترونیک، شبکه‌های اجتماعی و سیستم‌های آموزشی تبدیل شده‌اند. با این حال، این سیستم‌ها با چالش‌های متعددی از جمله مشکل شروع سرد برای کاربران وآیتم‌های جدید، دقت پایین در شناسایی سلیقه‌های کاربران و پیچیدگی در مدل‌سازی تعاملات غیرخطی بین کاربران و آیتم‌ها مواجه هستند. هدف این پژوهش ارائه یک روش بهینه برای بهبود دقت سیستم‌های توصیه‌گر با استفاده از تعبیه‌های اقلیدسی و مدل‌های یادگیری عمیق است. مدل پیشنهادی به‌طور خاص بر روی چالش مدل‌سازی دقیق روابط غیرخطی و پیچیده بین کاربران و آیتم‌ها در سیستم‌های توصیه‌گر تمرکز دارد. در این روش، ابتدا تعبیه‌های اقلیدسی برای کاربران و آیتم‌ها استخراج شده و از آن جایی که تعبیه اقلیدسی در تشخیص روابط غیر‌خطی ناتوان می‌باشد، این تعبیه‌ها به‌عنوان ورودی به یک مدل شبکه عصبی عمیق داده می‌شوند. گام‌های اصلی مدل شامل استخراج تعبیه‌ها، طراحی و پیاده‌سازی شبکه عصبی عمیق با چندین لایه کاملاً متصل و استفاده از تکنیک‌های بهینه‌سازی می‌باشد‌ که به کاهش بیش‌برازش و بهبود عملکرد مدل کمک می‌کند. همچنین، از داده‌های اعتماد در مدل تعبیه ابرداده با استفاده از روش پالایش گروهی عمیق برای بهبود دقت توصیه‌ها استفاده شده است. داده‌های مورد استفاده در این پژوهش شامل دو مجموعه داده MovieLens وFilmTrust هستند که به‌دلیل ویژگی‌های خاص خود، چالش‌های متعددی در ارائه پیشنهادهای دقیق ایجاد می‌کنند. نتایج به‌دست‌آمده نشان می‌دهد که استفاده از تعبیه‌های اقلیدسی و شبکه‌های عصبی عمیق به‌طور مؤثری منجر به افزایش دقت پیش‌بینی‌ها و بهبود کارایی سیستم‌های توصیه‌گر در بخش مدل‌سازی دقیق روابط غیرخطی و پیچیده بین کاربران و آیتم‌ها شده است. بر اساس معیارهای ارزیابی، روش پیشنهادی نتایج بهتری نسبت به سایر مدل‌ها ارائه می‌دهد. همچنین تعادل مناسبی میان دقت و کارایی برقرار می‌نماید و به‌عنوان یک راهکار مؤثر در بهبود سیستم‌های توصیه‌گر شناخته می‌شود.