نظام التوصية الهجين القائم على CNN
محتوى المقالة الرئيسي
الملخص
يتم الآن استخدام أنظمة التوصية لمعالجة مشكلة المعلومات الزائدة في عدة قطاعات مثل الترفيه والشبكات الاجتماعية والتجارة الإلكترونية. على الرغم من أن الطرق التقليدية لأنظمة التوصية قد حققت نجاحًا كبيرًا في تقديم اقتراحات العناصر، إلا أنها لا تزال تواجه العديد من التحديات، بما في ذلك مشكلة البداية الباردة وتناثر البيانات. وقد تم إنشاء العديد من نماذج التوصيات لمعالجة هذه الصعوبات. ومع ذلك، فإن تضمين معلومات خاصة بالمستخدم أو العنصر لديه القدرة على تحسين أداء التوصيات. نموذج ConvFM عبارة عن بنية شبكة عصبية تلافيفية جديدة تجمع بين إمكانيات التعلم العميق لاستخراج الميزات وفعالية آلات التحليل لمهام التوصية. يقدم العمل الحالي نموذجًا جديدًا لآلة التحليل العميق الهجين (FM)، يشار إليه باسم ConvFM. يستخدم نموذج ConvFM مزيجًا من استخراج الميزات والشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات من كل من الأفراد والأشياء، أي الأفلام. بعد ذلك، يستخدم النموذج المقترح منهجية تعرف بآلات التحليل، والتي تستخدم خوارزمية FM. ينصب تركيز CNN على استخراج الميزات، مما أدى إلى تحسن ملحوظ في الأداء. من أجل تعزيز دقة التنبؤات ومواجهة التحديات التي يفرضها التناثر، يتضمن النموذج المقترح كلاً من السمات المستخرجة والتفاعلات الواضحة بين العناصر والمستخدمين. تعرض هذه الورقة الإجراءات والنتائج التجريبية التي أجريت على مجموعة بيانات Movie Lens. في هذه المناقشة، ننخرط في تحليل نتائج بحثنا متبوعًا بتقديم توصيات لاتخاذ مزيد من الإجراءات.
Received 29/09/2023
Revised 10/02/2024
Accepted 12/02/2024
Published 25/02/2024
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Et al. A-B. A Study on the Accuracy of Prediction in Recommendation System Based on Similarity Measures. Baghdad Sci. J. . 2019 Mar 17;16(1(Suppl.)):0263. https://doi.org/10.21123/bsj.2019.16.1(Suppl.).0263
Loni B, Shi Y, Larson M, Hanjalic A. Cross-Domain Collaborative Filtering with Factorization Machines. SpringerLink . 2014; p. 656–61. https://doi.org/10.1007/978-3-319-06028-6_72.
Sun Z, Guo Q, Yang J, Fang H, Guo G, Zhang J, et al. Research commentary on recommendations with side information: A survey and research directions. Electron Commer Res Appl. .2019 Sep;37:100879. https://doi.org/10.1016/j.elerap.2019.100879.
Zhang S, Yao L, Sun A, Tay Y. Deep Learning Based Recommender System. ACM Comput Surv. . 2020 Jan 31;52(1):1–38. https://doi.org/10.1145/3285029.
Lin P-C, Arbaiy N. User-Oriented Preference Toward a Recommender System. Baghdad Sci J . 2021 Mar 30;18(1(Suppl.)):0746. https://doi.org/10.21123/bsj.2021.18.1(Suppl.).0746
Tahmasebi H, Ravanmehr R, Mohamadrezaei R. Social movie recommender system based on deep autoencoder network using Twitter data. Neural Comput Appl. 2021 Mar 16;33(5):1607–23. https://doi.org/10.1007/s00521-020-05085-1.
Pan Y, He F, Yu H. Learning social representations with deep autoencoder for recommender system. springer. 2020 Jul 7;23(4):2259–79. https://doi.org/10.1007/s11280-020-00793-z.
C C N, Mohan A. A social recommender system using deep architecture and network embedding. Appl Intell . 2019 May 18;49(5):1937–53. https://doi.org/10.1007/s10489-018-1359-z.
Rendle S. Factorization Machines. In: 2010 IEEE International Conference on Data Mining. IEEE. 2010; p. 995–1000. https://doi.org/10.1109/ICDM.2010.127.