علوم رایانش و فناوری اطلاعات

یادگیری عمیق در سامانه های توصیه گر

نویسندگان

دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران

چکیده

روش پالایش همکارانه یکی از کارآمدترین و پرکاربردترین روش‌های مورد استفاده در بسیاری از سامانه‌های توصیه‌گر است. روش‌های اولیه پالایش همکارانه ویژگی‌های نهان کاربران و گزینه‌ها را با استفاده از تجزیه ماتریس امتیازات به دست می‌آوردند، اما این روش‌ها با مشکل شروع سرد و تنک بودن ماتریس امتیازات مواجه می‌شوند. در سال‌های اخیر استفاده از اطلاعات اضافه موجود، در کنار ماتریس امتیازات برای به دست آوردن ویژگی‌های نهان مورد توجه قرار گرفته است. از طرف دیگر، مدل‌های یادگیری عمیق، توانایی بالایی در یادگیری بازنمایی مناسب، به خصوص در مواقعی که با داده‌های خام سروکار داریم از خود نشان داده‎اند. باتوجه به این قابلیت یادگیری عمیق، در این پژوهش از شبکه‌های عمیق برای به دست آوردن نمایش مناسب از گزینه‌ها استفاده شده‌است. به‌طور خاص، یک مدل ترکیبی از یادگیری عمیق در کنار تجزیه ماتریسی ارائه شده است که یک ارتباط دوطرفه بین ویژگی‌های به‌دست آمده از تجزیه ماتریسی و ویژگی‌های محتوایی استخراج شده با استفاده از یادگیری عمیق درباره گزینه‌ها ایجاد می‌کند. در این مدل به طور همزمان پارامترهای هر دو بخش یادگرفته می‌شود. مقایسه مدل پیشنهادی با برترین روش‌های ارائه شده در سال‌های اخیر بر روی مجموعه داده‌های مختلف دنیای واقعی، برتری روش پیشنهادی بر سایر روش‌های ارائه شده را نشان می‌دهد.

کلیدواژه‌ها

  • [1] D. Almazro, G. Shahatah, L. Albdulkarim, M. Kherees, R. Martinez and W. Nzoukou, "A Survey Paper on Recommender Systems," CoRR, 2010.
  • [2] J. Tang, X. Hu and H. Liu, "Social recommendation: a review," Social Network Analysis and Mining, pp. 1113-1133, 2013.
  • [3] Y. Koren, R. Bell and C. Volinsky, "Matrix Factorization Techniques for Recommender Systems," Computer, pp. 30-37, August 2009.
  • [4] J. Schmidhuber, "Deep Learning in Neural Networks: An Overview," Neural Networks, pp. 85-117, 2015.
  • [5] N. Wang and D.-Y. Yeung, "Learning a Deep Compact Image Representation for Visual Tracking," Advances in Advances in Neural Information Processing Systems 26, pp. 809-817, 2013.
  • [6] K. Nal, G. Edward and B. Phil, "A Convolutional Neural Network for Modelling Sentences," CoRR, 2014.
  • [7] H. Wang, N. Wang and D.-Y. Yeung, "Collaborative Deep Learning for Recommender Systems," Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1235-1244, 2015.
  • [8] Q. V. Le and T. Mikolov, "Distributed Representations of Sentences and Documents," International Conference on Machine Learning, pp. 1188-1196, 2014.
  • [9] T. Mikolov, K. Chen, G. Corrado and J. Dean, "Efficient Estimation of Word Representations in Vector Space," CoRR, 2013.
  • [10] P. Lops, M. De Gemmis and G. Semeraro, "Content-based recommender systems: State of the art and trends," in Recommender systems handbook, Springer, 2011, pp. 73-105.
  • [11] D. M. Blei, "Probabilistic topic models," Communications of the ACM, pp. 77-84, 2012.
  • [12] C. Wang and D. M. Blei, "Collaborative topic modeling for recommending scientific articles," Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining, pp. 448-456, 2011.
  • [13] D. M. Blei, A. Y. Ng and M. I. Jordan, "Latent dirichlet allocation," Journal of Machine Learning Research, pp. 993-1022, 2003.
  • [14] R. Salakhutdinov and A. Mnih, "Probabilistic matrix factorization," Neural Information Processing Systems, pp. 1-8, 2011.
  • [15] S. Li, J. Kawale and Y. Fu, "Deep collaborative filtering via marginalized denoising auto-encoder," Proceedings of the 24th ACM International on Conference on Information and Knowledge Management, pp. 811-820, 2015.
  • [16] P. Vincent, H. Larochelle, I. Lajoie, Y. Bengio and P.-A. Manzagol, "Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion," Journal of Machine Learning Research, pp. 3371-3408, 2010.
  • [17] Z. S. Harris, "Distributional structure," Word, pp. 146-162, 1954.
  • [18] T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado and J. Dean, "Distributed representations of words and phrases and their compositionality," Advances in Neural Information Processing Systems, pp. 3111-3119, 2013.
  • [19] M. A. Abbasi, J. Tang and H. Liu, "Trust-aware recommender systems," Machine Learning book on computational trust, Chapman & Hall/CRC Press, 2014.
علوم رایانش و فناوری اطلاعات
دوره 15، شماره 2
پاییز و زمستان
آذر 1396