استفاده از اطلاعات برچسب با مدل حافظه‌ي كوتاه‌مدت طولاني براي بهبود عملكرد سيستم‌هاي توصيه‌گر فيلم به كاربران

Using Tag Information with LSTM Model to Improve Performance of Movie Recommender Systems

يك سيستم‌ توصيه‌گر با ارائه‌ي پيشنهاد به كاربر كمك مي‌كند تا در ميان حجم عظيم اطلاعات سريع‌تر به هدف خود نزديك شود. در سيستم‌هاي توصيه‌گر تلاش مي‌شود كه با حدس زدن شيوه‌ي تفكر كاربر از طريق اطلاعاتي كه از نحوه‌ي رفتار او يا كاربران مشابه آنها وجود دارد، مناسب‌ترين و نزديك‌ترين مورد به سليقه‌ي كاربر شناسايي و پيشنهاد شود. در سال‌هاي اخير استفاده از اطلاعات كمكي، در كنار ماتريس امتيازات براي به‌دست آوردن ويژگي‌هاي نهان كاربران و آيتم‌ها مورد توجه قرار گرفته است. از طرف ديگر مدل‌هاي يادگيري عميق توانايي بالايي در يادگيري بازنمايي مناسب ويژگي‌ها، به خصوص در مواقعي كه با داده‌هاي انبوه خام سروكار داريم، از خود نشان داده‌اند. در اين مقاله، با بهره‌گيري از اطلاعات برچسب‌گذاري انجام‌شده توسط كاربران، يك مدل براي سيستم توصيه‌گر با استفاده از شبكه‌ي حافظه‌ي كوتاه‌مدت طولاني ارائه شده است. با توجه به اينكه برچسب‌ها اطلاعات كمكي را براي بازتاب ترجيحات كاربران و آيتم‌ها فراهم مي‌كند كارايي سيستم‌هاي توصيه‌گر بهبود پيدا كرده است. نتايج تجربي حاصل از انجام آزمايش‌ها روي مجموعه‌داده‌ي واقعي MovieLens-20M براي معيار ميانگين مجذور مربعات خطا مقدار 86/0 و براي معيار ميانگين قدرمطلق خطا مقدار 68/0 را نشان مي‌دهد كه بيانگر بهبود خوبي نسبت به ساير روش‌ها است.

A recommender system helps its user to reach the target within a massive amount of information by proposing suggestions. The recommender systems try to identify and suggest the most appropriate and closest thing to the user s interests by guessing the user s way of thinking through information available about the behavior and opinions of this user or similar users. Collaborative filtering is one of the most efficient methods used in many recommender systems. This method seeks to find latent features for options and users in order to obtain the latent features of the user s interest in the item they are looking for. The primitive collaborative filtering methods capture the latent features of the users and options using the scores matrix, but these methods have problems such as the cold start and the sparsity of the score matrix. In this paper, we investigate for improving the efficiency of collaborative filtering-based recommender systems using a deep learning approach. In recent years, the use of available extra information has been considered along the score matrix in order to obtain hidden attributes. Deep learning models, on the other hand, have a high ability to learn representations appropriately, especially when dealing with massive raw data. Accordingly, by focusing on the domain of film recommendation and exploiting user-tagging information alongside user-rating information, a model for a recommendation system based on a long short-term memory network has provided. Due to the fact that labels provide auxiliary information to reflect the preferences of users and items, the effectiveness of recommender systems has improved. The experimental results from the experiments on the actual MovieLens-20M dataset for the mean squared error measure of 0.86 and for the mean absolute error measure of 0.88, representing a good improvement over the other methods.