بكارگيري تكنيك هاي يادگيري ماشين در سيستم هاي توصيه گر بازاريابي

كارشناسي ارشد

سيستم‌هاي توصيه‌گر كاربردهاي فراواني دارند، ؛ يكي از كاربردهاي اصلي آنها در حوزه تجارت الكترونيك جهت پيشنهاد محصولات و تبليغات مختلف مي باشد. يكي از رويكردهاي كارآمد در سيستم‌هاي توصيه‌گر، استفاده از تكنيك‌هاي يادگيري عميق براي استخراج و يادگيري ويژگي‌هاي آيتم‌ها و پيش‌بيني امتياز كاربران است. مدل‌هاي يادگيري عميق شامل چندين لايه مي‌باشند و مي‌توانند يك سلسله مراتب را از ويژگي‌هاي سطح پايين به سطح بالا ياد بگيرند. اين ويژگي ها به‌خوبي تعميم داده‌شده و ميتوانند به طور مؤثر براي بهبود كيفيت توصيه، مورداستفاده قرار بگيرند. براي انجام اين پژوهش، با هدف اتخاذ ويژگي هاي سطح بالا از داده شبكه‌هاي اجتماعي، از يك مدل يادگيري عميق تركيبي بهره گرفتيم. براي اين منظور از شبكه باور عميق (DBN) كه بر پايه RBM شكل گرفته در تركيب با شبكه عصبي كانولوشن عميق (CNN)، به ترتيب براي يادگيري ويژگي‌هاي نهان آيتم و پيش‌بيني امتياز كاربر استفاده كرده‌ايم. جهت ارزيابي مدل پيشنهادي از مجموعه داده دنياي واقعي MovieLens استفاده شده است. اين مجموعه داده‌ها حاوي راي‌هايي هستند كه كاربران به فيلم هاي مختلف داده‌اند. با مشاهده و بررسي نتايج حاصله، مشاهده شد كه در روش پيشنهادي ميزان معيارهاي دقت، بازخواني و همچنين معيار F به مقادير مطلوبي و قابل قبولي دست يافته است. روش پيشنهادي به ازاي تمامي حالات كه داده ها داراي احتمال مشاهده مختلفي بوده‌اند، داراي ميزان كارآمدي مناسبي نسبت به روش هاي مورد مقايسه بوده است و كارآيي بالاتر خود را به وضوح نشان مي دهد. هرچند در برخي موارد معدود، روش پيشنهادي داراي افت بسيار كمي نسبت به روش هاي ديگر مورد مقايسه دارد، اما در اكثر موارد، بهترين روش از نظر نتايج حاصله بوده و نتايج مطلوبي را به دست آورده است. استفاده از روش پيشنهادي باعث مي شود كه ميزان پيشنهادهاي اشتباه ، كاهش يافته و همچنين دقت عملكرد سيستم نيز بهبود پيدا كند.

209337

دانشگاه علم و صنعت ايران

مديريت كسب و كار - بازاريابي

دكتر علي بنيادي ناييني