الگوريتمي جديد براي سيستم پيشنهاد دهنده بر اساس تجزيه تانسور

در سال هاي اخير استفاده از سيستم هاي پيشنهاد دهنده بسيار متداول شده است. چالش هاي موجود در دادگان اين سيستم ها تحقيق را براي ارايه الگوريتم هاي با دقت پيشنهادي بالا جذاب كرده است. استفاده از تجزيه ماتريس و سپس تجزيه تانسورها در سيستم هاي پيشنهاد دهنده در سال هاي اخير مقبول تر بودن اين روش ها را نسبت به روش هاي ديگر نشان مي‏دهد. در اين مقاله روشي مبتني بر تجزيه تانسور كه داراي سه بعد است؛ پيشنهاد شده است و در مقايسه با روش مشابه در تجزيه ماتريس كه داراي دو بعد مي باشد، خطاي بسيار كم تري به دست مي آيد. در اين مقاله بعد سوم تانسور كه براي تجزيه استفاده شده بعد زمان است كه به عنوان عامل مستقل به كار رفته است. نتايج نشان مي دهد كه استفاده از زمان در كاهش خطاي تخمين موثر است.

In recent years, use of recommendation systems has been more. Existing challenges in recommendation system datasets are interesting for researchers. Using matrix decompositions and then tensor decompositions in recommendation system algorithms have less error and results in that most of new algorithms use them. In this paper we present a new algorithm that uses tensor decomposition and have three dimensions user-item-time. Our algorithm has better result in comparison with matrix decomposition with 2 dimension user-item. In this method we use time as an independent dimension and 3rd dimension. Experiments show that using time in decompositions has less error.