مطالعه اي بر سيستمك هاي توصيهمبتني بر يادگيري گراف

اصفهان : دانشگاه صنعتي اصفهان

رياضي كاربردي

كارشناسي ارشد

در سا‌ل‌هاي اخير شاهد توسعه‌ي وسيع موضوع سيستم‌هاي توصيه‌گر مبتني بر يادگيري گراف براي مدل‌سازي اولويت‌ها و مقاصد كاربران هستيم. متفاوت از ساير رويكردهاي سيستم‌هاي توصيه‌گر، از جمله پالايش مبتني بر محتوا و پالايش مشاركتي، اين سيستم‌ها بر روي گراف‌هايي ساخته شده‌ است كه در آن اشياء مهم مانند كاربران، كالا‌ها و ويژگي‌ها به طور صريح يا ضمني به هم متصل هستند. توسعه‌ي سريع تكنيك‌هاي يادگيري گراف، اكتشافات و بهره‌برداري از روابط همگن يا ناهمگن در گراف‌ها، ساختن سيستم‌هاي توصيه‌گر ميسر ساخته است. اگرچه روش‌هاي موجود براي پيش‌بيني مبتني بر بخش از رويكردهاي يادگيري بازنمايي مبتني بر بخش براي كدگذاري ارتباطات متوالي اقلام در يك فضاي كم بعد استفاده مي‌كنند، اما از محدوديت‌هاي متعددي رنج مي‌برند. مورد اول اين‌كه تمركز آن‌ها در استفاده از يك نوع رفتار كاربر براي پيش‌بيني است و پتانسيل گرفتن داده‌هاي رفتاري ديگر به عنوان اطلاعات كمكي را ناديده مي‌گيرند. اين مورد زماني بسيار مهم است كه رفتار هدف، كم‌رنگ اما مهم است؛ به عنوان مثال، خريد و يا به اشتراك‌گذاري يك كالا. مورد دوم اين‌كه روابط مورد به مورد به صورت جداگانه و محلي در يك توالي رفتاري مدل‌سازي مي‌شوند و فاقد يك راه اصولي براي كدگذاري كلي مؤثرتر براي اين روابط هستند. در اين پايان‌نامه، به پيش‌بيني رفتار هدف مبتني بر بخش با توجه به انواع رفتار خاص (مانند كليك كردن) مي‌پردازيم. هدف از اين مطالعه بهبود عملكرد سيستم هاي توصيه گر با بهره گيري از قابليت هاي شبكه عصبي گرافي و پيشنهاد توصيه هاي مناسب كاربر است كه با احتمال بيشتر مورد پسند قرار مي گيرند. براي غلبه بر اين محدوديت‌ها، از يك گراف چند رابطه‌اي براساس تمام دنباله‌هاي رفتاري از تمام بخش‌ها، شامل هدف و انواع رفتار كمكي استفاده مي‌شود. در اين گراف، رأس ها تمام كالاهاي موجود هستند و همچنين يال ها روابط موجود بين كالاها با توجه به رفتار كاربران هستند. براساس اين گراف، مدل موجود با استفاده از شبكه عصبي گرافي روابط كلي مورد به مورد را ياد مي‌گيرد و ترجيحات كاربر را به ترتيب با توجه به دنباله‌هاي هدف و رفتار كمكي بدست مي‌آورد. سپس با توجه به ترجيحات كاربر، امتياز هر كالا را تخمين مي زند و پس از مرتب سازي امتيازات، كار توصيه را انجام مي دهد. مدل ارايه شده در اين پايان نامه، از يك ساز و كار راه‌اندازي براي تركيب بازنمايي‌هاي كاربر براي پيش‌بيني مورد بعدي با توجه به رفتار هدف استفاده مي‌كند كه با تغيير تابع مورد استفاده در اين ساز و كار مدل بهبود يافت. علاوه بر اين، استفاده از اين تابع موجب شد كه از شبكه عصبي گرافي با عمق كمتر استفاده كنيم و در نتيجه زمان اجراي الگوريتم كاهش يابد.

223151

علوم داده

رياضي

دانشگاه صنعتي اصفهان