ﺗﺤﻠﯿﻞ اﺣﺴﺎﺳﺎت در ﺳﯿﺴﺘﻢ ﺗﻮﺻﯿﻪ ﮔﺮ ﻣﺠﺎزي ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﯾﺎدﮔﯿﺮي ﻋﻤﯿﻖ

ﺑﺎ رﺷﺪ ﺳﺮﯾﻊ داده ﻫﺎي ﺗﻮﻟﯿﺪﺷﺪه ﺗﻮﺳﻂ ﮐﺎرﺑﺮان در ﺣﻮزه ﺗﺠﺎرت اﻟﮑﺘﺮوﻧﯿﮏ، ﺳﯿﺴﺘﻢ ﻫﺎي ﺗﻮﺻﯿﻪ ﮔﺮ ﺑﻪ اﺑﺰاري ﺿﺮوري ﺑﺮاي اﻓﺰاﯾﺶ رﺿﺎﯾﺖ ﻣﺸﺘﺮي، ﺷﺨﺼﯽ ﺳﺎزي ﺗﺠﺮﺑﻪ ﮐﺎرﺑﺮي و ﺑﻬﺒﻮد ﺳﻮدآوري ﮐﺴﺐ وﮐﺎر ﺗﺒﺪﯾﻞ ﺷﺪه اﻧﺪ. ﺑﺎ اﯾﻦ ﺣﺎل، اﯾﻦ ﺳﯿﺴﺘﻢ ﻫﺎ ﻫﻤﭽﻨﺎن ﺑﺎ ﭼﺎﻟﺶ ﻫﺎﯾﯽ ﻧﻈﯿﺮ ﭘﺮاﮐﻨﺪﮔﯽ داده ﻫﺎ، ﻣﺸﮑﻞ ﺷﺮوع ﺳﺮد ﺑﺮاي ﮐﺎرﺑﺮان ﯾﺎ ﮐﺎﻻﻫﺎي ﺟﺪﯾﺪ، ﻣﺪل ﺳﺎزي ﻧﺎﮐﺎﻓﯽ از اﺣﺴﺎﺳﺎت ﻧﻬﻔﺘﻪ در ﺑﺮرﺳﯽ ﻫﺎي ﻣﺘﻨﯽ، و اﻧﻄﺒﺎق ﭘﺬﯾﺮي ﻣﺤﺪود ﺑﺎ اﻟﮕﻮﻫﺎي رﻓﺘﺎري ﭘﻮﯾﺎ ﻣﻮاﺟﻪ ﻫﺴﺘﻨﺪ. اﯾﻦ ﻣﺤﺪودﯾﺖ ﻫﺎ دﻗﺖ و اﺛﺮﺑﺨﺸﯽ ﺗﻮﺻﯿﻪ ﻫﺎ را ﮐﺎﻫﺶ ﻣﯽ دﻫﻨﺪ و ﺿﺮورت روﯾﮑﺮدي ﺟﺎﻣﻊ، ﺗﻄﺒﯿﻖ ﭘﺬﯾﺮ و ﭼﻨﺪوﺟﻬﯽ را آﺷﮑﺎر ﻣﯽ ﺳﺎزﻧﺪ. ﺑﺮاي ﻣﻘﺎﺑﻠﻪ ﺑﺎ اﯾﻦ ﭼﺎﻟﺶ ﻫﺎ، ﭘﮋوﻫﺶ ﺣﺎﺿﺮ ﯾﮏ ﻣﺪل ﺗﺮﮐﯿﺒﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﺷﺒﮑﻪ ﺣﺎﻓﻈﻪ ﮐﻮﺗﺎه ﻣﺪت ﺑﻠﻨﺪﻣﺪت دوﻃﺮﻓﻪ )BiLSTM( ﺗﻘﻮﯾﺖ ﺷﺪه ﺑﺎ ﺳﺎزوﮐﺎر ﺧﻮدﺗﻮﺟﻬﯽ ﭼﻨﺪﺳﺮ )Multi‑Head Self‑Attention( را ﺑﻪ ﻫﻤﺮاه ﯾﮑﭙﺎرﭼﻪ ﺳﺎزي ﺑﺎ ﻓﯿﻠﺘﺮﯾﻨﮓ ﻣﺸﺎرﮐﺘﯽ )Collaborative Filtering( و ﯾﺎدﮔﯿﺮي اﻧﮕﯿﺰﺷﯽ Learning) (Incentive اراﺋﻪ ﻣﯽ دﻫﺪ. در ﺣﺎﻟﯽ ﮐﻪ ﻓﯿﻠﺘﺮﯾﻨﮓ ﻣﺸﺎرﮐﺘﯽ ﺑﺎ ﺗﺤﻠﯿﻞ ﺗﻌﺎﻣﻼت ﮐﺎرﺑﺮ–ﮐﺎﻻ ﺑﻪ ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮﻫﺎي رﻓﺘﺎري ﻣﺸﺘﺮك ﻣﯽ ﭘﺮدازد، ﯾﺎدﮔﯿﺮي اﻧﮕﯿﺰﺷﯽ ﺑﺮ اﺳﺘﺨﺮاج ﻋﻮاﻣﻞ اﻧﮕﯿﺰﺷﯽ ﭘﻨﻬﺎن –ﻣﺎﻧﻨﺪ رأي، زﻣﺎن ﺑﺮرﺳﯽ و ﺗﺄﯾﯿﺪﺷﺪه ﺑﻮدن –ﻣﺘﻤﺮﮐﺰ ﻣﯽ ﺷﻮد ﺗﺎ اﺑﻌﺎد رﻓﺘﺎري ﻋﻤﯿﻖ ﺗﺮي را آﺷﮑﺎر ﺳﺎزد. GloVe و ﺗﻌﺒﯿﻪ ﻫﺎي ﻣﻌﻨﺎﯾﯽ TF‐IDF در ﻣﺆﻟﻔﻪ ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ، ﻣﺘﻮن ﺑﺮرﺳﯽ ﻫﺎي ﮐﺎرﺑﺮان ﺑﺎ اﺳﺘﻔﺎده ازﭘﺮدازش ﺷﺪﻧﺪ و ﺑﻪ ﻃﻮر ﻣﻮازي، وﯾﮋﮔﯽ ﻫﺎي ﻋﺪدي ﺣﺎﺻﻞ از ﻓﯿﻠﺘﺮﯾﻨﮓ ﻣﺸﺎرﮐﺘﯽ و ﯾﺎدﮔﯿﺮي اﻧﮕﯿﺰﺷﯽ ﺑﻪ ﻋﻨﻮان ورودي ﻫﺎي ﺳﺎﺧﺘﺎرﯾﺎﻓﺘﻪ ﮐﻤﮑﯽ در ﻣﺪل ﮔﻨﺠﺎﻧﺪه ﺷﺪﻧﺪ. ﺑﺮاي اﻓﺰاﯾﺶ ﭘﺎﯾﺪاري آﻣﻮزش و ﮐﺎﻫﺶ ﺑﯿﺶ ﺑﺮازش، از ﺗﮑﻨﯿﮏ ﻫﺎي ﻣﻨﻈﻤﺴﺎزي ﺷﺎﻣﻞ ﻣﻨﻈﻢ ﺳﺎزي ،dro‎pout L2 و ﻧﺮﻣﺎل ﺳﺎزي دﺳﺘﻪ اي )Batch Normalization( اﺳﺘﻔﺎده ﮔﺮدﯾﺪ. ﻣﺪل ﭘﯿﺸﻨﻬﺎدي ﺑﺮ روي ﯾﮏ ﻣﺠﻤﻮﻋﻪ داده ﺑﺰرگ ﻣﻘﯿﺎس ﻣﺘﺸﮑﻞ از ﺑﺮرﺳﯽ ﻫﺎي ﮐﺎرﺑﺮان، ﺗﻌﺎﻣﻼت و ﺑﺎزﺧﻮردﻫﺎ ارزﯾﺎﺑﯽ ﺷﺪ. ﻧﺘﺎﯾﺞ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﻣﺪل ﺑﻪ ﻋﻤﻠﮑﺮدي ﭘﺎﯾﺪار، دﻗﯿﻖ و ﻣﺘﻮازن دﺳﺖ ﻣﯽ ﯾﺎﺑﺪ. ﺑﻪ ﻃﻮر ﻣﺸﺨﺺ، ﻣﺪل ﺑﻪ دﻗﺖ )Accuracy( ٪85٫32، ﺻﺤﺖ )Precision( ٪85٫27، ﯾﺎدآوري )Recall( ٪85٫32 و اﻣﺘﯿﺎز F1 ﻣﻌﺎدل ٪85٫27 دﺳﺖ ﯾﺎﻓﺖ ﮐﻪ ﺣﺎﮐﯽ از ﺗﻮاﻧﺎﯾﯽ آن در ﮐﺸﻒ اﻟﮕﻮﻫﺎي رﻓﺘﺎري ﭘﻨﻬﺎن و اراﺋﻪ ﺗﻮﺻﯿﻪ ﻫﺎي ﺷﺨﺼﯽ ﺳﺎزي ﺷﺪه ﻫﻤﺴﻮ ﺑﺎ ﻧﯿﺎزﻫﺎ و ﺗﺮﺟﯿﺤﺎت ﮐﺎرﺑﺮان اﺳﺖ. ﺳﻬﻢ اﺻﻠﯽ اﯾﻦ ﭘﮋوﻫﺶ در ﺗﻠﻔﯿﻖ ﻫﻢ زﻣﺎن ﺗﺤﻠﯿﻞ ﻋﻤﯿﻖ ﻣﺘﻨﯽ )BiLSTM + ﺧﻮدﺗﻮﺟﻬﯽ( ﺑﺎ وﯾﮋﮔﯽ ﻫﺎي ﺗﻌﺎﻣﻠﯽ آﻣﺎري و ﺷﺎﺧﺺ ﻫﺎي اﻧﮕﯿﺰﺷﯽ ﭘﻨﻬﺎن ﻧﻬﻔﺘﻪ اﺳﺖ. اﯾﻦ ﺗﻠﻔﯿﻖ ﭼﻨﺪﺑﻌﺪي ﻧﻪ ﺗﻨﻬﺎ دﻗﺖ و اﺳﺘﺤﮑﺎم ﻣﺪل را ﺑﻬﺒﻮد ﻣﯽ ﺑﺨﺸﺪ، ﺑﻠﮑﻪ اﻣﮑﺎن اﻧﻄﺒﺎق ﭘﻮﯾﺎ ﺑﺎ رﻓﺘﺎرﻫﺎي در ﺣﺎل ﺗﻐﯿﯿﺮ ﻣﺸﺘﺮﯾﺎن را ﻓﺮاﻫﻢ ﻣﯽ آورد و ﻗﺎﺑﻠﯿﺖ ﮐﺎرﺑﺮد آن را ﺑﻪ ﺣﻮزه ﻫﺎﯾﯽ ﻧﻈﯿﺮ ﻣﺪﯾﺮﯾﺖ ﻣﻮﺟﻮدي، ﺑﻬﯿﻨﻪ ﺳﺎزي زﻧﺠﯿﺮه ﺗﺄﻣﯿﻦ، ﺑﺎزارﯾﺎﺑﯽ ﻫﻮﺷﻤﻨﺪ و اﻓﺰاﯾﺶ وﻓﺎداري ﻣﺸﺘﺮﯾﺎن ﮔﺴﺘﺮش ﻣﯽ دﻫﺪ

237987

علوم داده

رياضي

دانشگاه صنعتي اصفهان