یک چارچوب کاری برای تولید پیشنهادهای قابل توضیح با استفاده از یادگیری چند وظیفه‌ای

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: یک چارچوب کاری برای تولید پیشنهادهای قابل توضیح با استفاده از یادگیری چند وظیفه‌ای

ارائه دهنده: Provider: محمد مبین شهیدی - رشته کامپیوتر

اساتید راهنما: Supervisors: دکتر محرم منصوری زاده

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر میرحسین دزفولیان - دکتر حسن بشیری

زمان و تاریخ ارائه: Time and date of presentation: 1401/11/16

مکان ارائه: Place of presentation: آمفی تئاتر

چکیده: Abstract: سیستم پیشنهادگر یک سیستم هوشمند بازیابی اطلاعات است که بر اساس بازخورد‌های کاربر در گذشته (مثلا امتیازات یا لایک ها) فهرستی از پیشنهاد‌ها که کاربر احتمالا به آن‌ها علاقه‌مند است را پیش بینی می‌کند. در حوزه‌ی سیستم‌های‌ پیشنهادگر، امتیازات کاربر به کالا به عنوان یک منبع داده برای استخراج ترجیحات کاربران روی خصوصیات کالاها مورد استفاده قرار می‌گیرند. عموما امتیازات کاربران به کالا‌ها در یک ماتریس دو بعدی به نام ماتریس کاربرد ثبت می‌شوند. از طرف دیگر زمانی‌که یک کاربر با یک لیست پیشنهادی بدون توضیحات مواجه می‌شود، این پرسش در ناخوآگاه او مطرح می‌شود که چرا یک کالای خاص به او پیشنهاد شده است. به بیان دیگر توضیحاتی برای شفاف سازی نتایج سیستم پیشنهادگر وجود ندارد. خلوت بودن ماتریس کاربرد (کمبود داده) و عدم شفافیت لیست پیشنهادی به عنوان دو چالش اصلی در سیستم‌های پیشنهادگر شناخته می‌شوند. در سال‌های اخیر، به منظور غلبه بر این چالش‌ها ایده‌ی استفاده از نظرات کاربران مطرح شده است. اولا نظرات مانند امتیازات دربرگیرنده‌ی ترجیحات کاربران نسبت به کالاها می‌باشند. دوما نظرات می‌توانند به عنوان یک منبع داده برای ساخت توضیحات متنی مورد استفاده قرار بگیرند. پس با به کار گیری نظرات در کنار امتیازات به عنوان یک منبع داده‌ی مکمل می‌توان مشکل کمبود داده را تا حدی برطرف کرد. همچنین می‌توان از آن‌ها جهت ساخت توضیحات متنی برای پیشنهادها استفاده کرد. به طور خلاصه، هدف این پژوهش توسعه‌ی یک سیستم پیشنهادگر توضیح پذیر است که امتیازات و نظرات کاربران منابع دادگانی آن را تشکیل می‌دهند. این سیستم در قالب یک چارچوب کاری معرفی شده است که دو وظیفه‌ی پیش بینی امتیازات کاربر به کالا و ساخت توضیحات مرتبط با پیشنهادها را بر عهده دارد. به منظور انجام وظیفه‌ی اول از روش تجزیه ماتریس احتمالی زمینه آگاه استفاده شده است. در این روش علاقه مندی کاربران و خصوصیات کالاها از دو منبع امتیازات و نظرات با کمک یادگیری چند وظیفه‌ای در چهار ماتریس رتبه پایین یاد گرفته می‌شوند. جهت انجام وظیفه‌ی دوم نیز از یک الگوریتم پالایشی چند لایه استفاده شده است. هدف این الگوریتم انتخاب چند جمله‌ی مناسب از مجموعه نظرات است که می‌توانند به عنوان توضیحات برای پیشنهادهای ارائه شده به کاربر هدف، مورد استفاده قرار بگیرند. این الگوریتم جملاتی را پالایش می‌کند که به علاقه‌ی کاربر هدف نزدیک هستند؛ حاوی اطلاعات مفید و موثر در مورد کالا هستند و همچنین بار عاطفی مثبتی دارند. توضیحات ارائه شده برای پیشنهادها در حقیقت جملاتی هستند که توسط کاربران مختلف نوشته شده‌اند، بنابر این جملات سبک‌های نگارشی متفاوتی دارند. به منظور ارتقای درجه‌ی شخصی سازی، در این پژوهش تلاش شد که توضیحات بدست آمده از الگوریتم پالایشی به سبک نوشتاری کاربر هدف نزدیک شود. از این رو برای هر کاربر یک مدل اختصاصی بازسازی کننده‌ی سبک نگارشی توسعه داده شد. این مدل‌ها سبک نوشتاری هر کاربر را بر اساس نظرات نوشته‌ی وی یاد می‌گیرند. بعد از اتمام فرایند آموزش این مدل‌ها، این انتظار می رفت که با تزریق کردن توضیحات بدست آمده از الگوریتم پالایشی به مدل بازسازی کننده‌ی سبک نگارشی کاربر، توضیحات به سبک نوشتاری کاربر هدف نزدیک شوند. اگرچه در بخش ارائه پیشنهاد و ساخت توضیحات مرتبط با آن به نتایج قابل قبولی دست یافتیم، اما در بخش بازسازی سبک نگارشی به دلیل مشکل کمبود داده‌ی متنی و سوگیری مواجهه که مشکلی رایج در مدل‌های دنباله به دنباله است به نتایج خوبی دست پیدا نکردیم.

فایل: ّFile: