|
عنوان
|
سیستم پیشنهاد دهنده ی هوشمند مبتنی بر تکنیک های یادگیری ماشین
|
|
نوع پژوهش
|
پایان نامه
|
|
کلیدواژه‌ها
|
سیستم های پیشنهاد دهنده، یادگیری ماشین، فضای پنهان، فاصله ی اقلیدسی، فاصله ی ماهالانوبیس، شبکه ی عصبی
|
|
چکیده
|
سیستم های توصیه کننده ابزار های موثر جهت پالایش اطلاعات هستند که به دلیل افزایش سطح دسترسی به اینترنت، تمایل به شخصی سازی و تغییر عادات و علایق کاربران به مرور زمان، استفاده از آن به امری رایج تبدیل شده است. هرچند که سیستم های موجود پیشنهادات مورد قبول و مناسب ارائه می دهند اما همچنان دارای مشکلاتی نظیر دقت، مقیاس پذیری، و شروع سرد هستند. یادگیری ضرایب پنهان نقش مهمی را در سیستم های پیشنهاد دهنده ی مشارکت محور ایفا می کند. فضای پنهان ترجیح کاربران به استفاده از محصولات را در قالب ضرایب پنهان مدل می-کند. سیستم های سنتی ضرایب پنهان را با استفاده از عامل بندی ماتریس آرای کاربران، بر روی محصولات یادگیری می کنند. برای جبران کمبود این روش در پژوهش های جدید از توابع مختلفی برای انتقال داده ها به فضای پنهان از جمله فاصله ی اقلیدسی به جای ضرب نقطه ای استفاده شده است. استفاده از فاصله ی ماهالونوبیس یک روش مطرح برای جبران خطای فاصله ی اقلیدسی در فضا هایی با ویژگی های وابسته است اما آزمایشات انجام شده نشان می دهد که مدل های مورد استفاده برای تحلیل عامل های پنهان بسیار حساس به مقادیر پارامتر ها هستند در نتیجه با توجه به پیچیده تر شدن رابطه ی بین متغییر ها، استفاده ی مستقیم از فاصله ی ماهالانوبیس به بهبود فرایند تحلیل عامل های پنهان کمک نمی کند. در این پژوهش با جایگزینی معکوس تابع انتقال در روش مبتنی بر فاصله ی اقلیدسی با فاصله ی ماهالانوبیس برای بهبود فرایند انتقال و تفکیک فرایند آموزش پارامتر های تابع انتقال و معکوس تابع انتقال برای حل مشکل حساسیت به مقادیر پارامتر ها، همچنین ارائه ی یک شبکه ی عصبی مبتنی بر فاصله ی اقلیدسی برای انتقال داده ها به فضای معنی، دو روش جهت بهبود فرایند تحلیل عامل های پنهان ارائه می دهیم.
|
|
پژوهشگران
|
حسن ختن لو (استاد راهنما)، محمد جمالی دوگاهه (دانشجو)
|