| تاریخ ارسال: 1400/6/27 |
استاد راهنما: دکتر آزاده منصوری
چکیده:
رشد نمایی و روز افزون اطلاعات در دنیای امروز، تجارت الکترونیک را با چالشهای بزرگی مواجه ساخته است. یکی از این چالش ها یافتن و توصیه ی بهترین محصولات و اطلاعات برای یک کاربر از میان انبوه اقلام و منابع موجود است. امروزه استفاده از سامانه های توصیه گر در دنیای اینترنت به یک امر ضروری بدل گشته است. با وجود پیشرفت چشمگیر و عملکرد مناسب سیستم های توصیه گر در سال های اخیر، این سامانه ها همواره با دو چالش پراکندگی داده ها و استارت سرد مواجه بوده اند. منشا اصلی دو این چالش کمبود داده های حاصل از تعاملات کاربران با محصولات میباشد. لذا هدف اصلی رویکردهای نوین موجود در این حوزه استخراج ویژگی های مناسب از تعاملات کاربران با محصولات و سایر اسناد کمکی مرتبط با این دو موجودیت در جهت تشخیص بهتر سلایق کاربران می باشد. با توجه به این که اغلب داده ها در سیستم های توصیه گر به طور ذاتی دارای ساختار گراف می باشند و همچنین با توجه به این که شبکه های عصبی گراف در سالهای اخیر در یادگیری بازنمایی از داده ها عملکرد چشمگیری از خود به نمایش گذاشته اند، در این پژوهش از توانایی شبکه های کانوولوشنی گراف برای تولید بردارهای ویژگی قدرتمندتر با استفاده از ساختار چند لایه ای بهره برده می شود. همچنین از یک تابع خطای بهبود یافته در جهت استخراج اطلاعات مرتبط با شباهت های موجود میان گره های همنوع درگراف حاصل از تعاملات، استفاده می گردد. با استفاده از این دو رویکرد بردارهای ویژگی جامعتری در مقایسه با روش های پیشین حاصل می شود که توانایی سیستم توصیه گر را برای مقابله با چالش های موجود افزایش می دهد.
رشد نمایی و روز افزون اطلاعات در دنیای امروز، تجارت الکترونیک را با چالشهای بزرگی مواجه ساخته است. یکی از این چالش ها یافتن و توصیه ی بهترین محصولات و اطلاعات برای یک کاربر از میان انبوه اقلام و منابع موجود است. امروزه استفاده از سامانه های توصیه گر در دنیای اینترنت به یک امر ضروری بدل گشته است. با وجود پیشرفت چشمگیر و عملکرد مناسب سیستم های توصیه گر در سال های اخیر، این سامانه ها همواره با دو چالش پراکندگی داده ها و استارت سرد مواجه بوده اند. منشا اصلی دو این چالش کمبود داده های حاصل از تعاملات کاربران با محصولات میباشد. لذا هدف اصلی رویکردهای نوین موجود در این حوزه استخراج ویژگی های مناسب از تعاملات کاربران با محصولات و سایر اسناد کمکی مرتبط با این دو موجودیت در جهت تشخیص بهتر سلایق کاربران می باشد. با توجه به این که اغلب داده ها در سیستم های توصیه گر به طور ذاتی دارای ساختار گراف می باشند و همچنین با توجه به این که شبکه های عصبی گراف در سالهای اخیر در یادگیری بازنمایی از داده ها عملکرد چشمگیری از خود به نمایش گذاشته اند، در این پژوهش از توانایی شبکه های کانوولوشنی گراف برای تولید بردارهای ویژگی قدرتمندتر با استفاده از ساختار چند لایه ای بهره برده می شود. همچنین از یک تابع خطای بهبود یافته در جهت استخراج اطلاعات مرتبط با شباهت های موجود میان گره های همنوع درگراف حاصل از تعاملات، استفاده می گردد. با استفاده از این دو رویکرد بردارهای ویژگی جامعتری در مقایسه با روش های پیشین حاصل می شود که توانایی سیستم توصیه گر را برای مقابله با چالش های موجود افزایش می دهد.
دانشجو: آقای مصطفی قربانی
زمان: شنبه ۲۷ شهریور ماه ۱۴۰۰ ساعت ۱۳:۳۰
مطالب مشابه
دفعات مشاهده: 507 بار |
دفعات چاپ: 110 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر