سال انتشار: 2017

---

چکیده

فیلترینگ مشارکتی (CF) یک رویکرد پر کاربرد در سیستم های توصیه گر برای حل بسیاری از مسائل حقیقی است. روش های سنتی مبتنی بر CF، ماتریس کاربر آیتم را به کار می برند که اولویت های فردی کاربران برای آیتم های یادگیری را کدگذاری می کند تا هر توصیه را بسازند. در کاربردهای واقعی، ماتریس رتبه بندی معمولاً بسیار پراکنده است، که باعث می شود روش های مبتنی بر CF به طور قابل توجهی در کارآیی توصیه تنزل پیدا کنند. در این حالت، برخی از روش های CF بهبود یافته از حجم فزاینده ی اطلاعات جانبی برای مدیریت مسأله ی پراکندگی داده ها و همچنین مسأله ی شروع سرد استفاده می کنند. هرچند، عوامل پنهان آموخته شده ممکن است به خاطر ماهیت پراکنده ی ماتریس کاربر آیتم و اطلاعات جانبی مؤثر نباشند. برای مدیریت این مسأله، ما از پیشرفت های یادگیری نمایش های مؤثر در یادگیری عمیق استفاده می کنیم، و یک مدل تلفیقی پیشنهاد می کنیم که یادگیری عمیق عوامل پنهان کاربران و آیتم ها را از اطلاعات جانبی و فیلترینگ مشارکتی را از ماتریس رتبه بندی به طور مشترک انجام می دهد. نتایج گسترده ی آزمایشی روی سه مجموعه داده ی دنیای واقعی نشان می دهند که مدل تلفیقی ما در بهره گیری مؤثر از اطلاعات جانبی بهتر از سایر روش ها عمل می کند و به بهبود کارآیی دست می یابد.

---

کلمات کلیدی: سیستم توصیه گر ، فیلترینگ مشارکتی ، ساختار عمیق