طراحی و ایجاد سامانه توصیه‌گر برچسب‌محور بر مبنای شبکه‌های عصبی عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران، تهران، ایران

2 دانشجوی کارشناسی ارشد، گروه MBA، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

3 دانشیار، گروه MBA، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

چکیده

هدف اصلی این تحقیق، طراحی و پیاده‌سازی سامانه توصیه‌گر فروشگاه‌های آنلاین برچسب‌محور برای یک فروشگاه فیلم‌های سینمایی، جهت بالا بردن فروش اینترنتی است. روش تحقیق انتخاب‌شده، روش تحقیق علم طراحی و آزمایشی است که در آن، در مرحله ارزیابیِ روش تحقیق علم طراحی، از طراحی آزمایش استفاده شده است. برای بهبود عملکرد سامانه‌ توصیه‌گر، از برچسب‌های گذاشته‌شده توسط کاربران و الگوریتم شبکه‌های عصبی عمیق برای توصیه فیلم‌های سینمایی به آن‌ها استفاده شده است. آزمایشی طراحی و انجام شده است که در آن، سامانه توصیه‌گر بر‌چسب‌محور (که برای توصیه فیلم‌های سینمایی طراحی و ایجاد شده است) با سامانه توصیه‌گر پالایش گروهی (که از سامانه‌های توصیه‌گر جاافتاده و معیار است) در معیارهای ارزیابی دقت، به‌یادآوری و f1 مقایسه می‌شود. براساس نتایج، سامانه توصیه‌گر برچسب‌محور بر مبنای شبکه‌های عصبی عمیق در تمام این معیارهای ارزیابی از سامانه پالایش گروهی بهتر عمل می‌کند.

کلیدواژه‌ها

عنوان مقاله [English]

Design and Implementation of a Tag-oriented Recommender System Based on Deep Neural Networks

نویسندگان [English]

  • Saeed Rouhani 1
  • Ramin Zandvakili 2
  • Manouchehr Ansari 3
1 Assistant Prof., Faculty of management, University of Tehran, Tehran, Iran
2 MSc. Student in MBA, Faculty of Management, University of Tehran, Tehran, Iran
3 Associate Prof., Faculty of management, University of Tehran, Tehran, Iran
چکیده [English]

The main purposes of this research are to design and develop a tag-oriented deep artificial neural network as recommender system for online shops in order to increase online sale. The chosen research method is design science and experimental in which in the evaluation measurement step design of experiment has been used. In order to improve the performance of the recommender system user tags have been used and deep neural networks algorithm has been used to recommend movies to users. An experiment has been designed and implemented in which the designed and developed recommender system has been compared to collaborative filtering method, which is one of the established methods of recommendation, in the evaluation metrics of precision, recall and f1 for the recommendation of movies. The result proves that the developed recommender system with utilizing the tag-oriented deep artificial neural network outperforms the collaborative filtering in all of these metrics. 

کلیدواژه‌ها [English]

  • Recommender systems
  • Deep Neural networks
  • Tag-based
  • online shops

مراجع

[1]        Kim, H. N., Ji, A. T., Ha, I., & Jo, G. S., Collaborative filtering based on collaborative tagging for enhancing the quality of recommendation. Electronic Commerce Research and Applications, 9(1), 2010, 73-83.
[2]        Park, D. H., Kim, H. K., Choi, I. Y., & Kim, J. K., A literature review and classification of recommender systems research. Expert Systems with Applications, 39(11), 2012, 10059-10072.
[3]        Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S., Collaborative filtering recommender systems. In The adaptive web. Springer, Berlin, Heidelberg, 2007, 291-324.
[4]        Su, X., & Khoshgoftaar, T. M., A survey of collaborative filtering techniques. Advances in artificial intelligence, 2009, 2009-2010.
[5]        Zhang, Z. K., Liu, C., Zhang, Y. C., & Zhou, T., Solving the cold-start problem in recommender systems with social tags. EPL (Europhysics Letters), 92(2), 2010, 28002.
[6]        Zuo, Y., Zeng, J., Gong, M., & Jiao, L., Tag-aware recommender systems based on deep neural networks. Neurocomputing, 204, 2016, 51-60.
[7]        Sohrabi, B., Raeesi Vanani, I., Zareh Mirkabad, F. Designing a Recommender System for Optimizing and Managing Bank Facilities through the Utilization of Clustering and Classification Algorithms. Modern Research in Decision Making, 1(2), 2016, 53-76.
[8]        Motaharinejad, M., Zolfagharzadeh, M., Khadangi, E., Sadabadi, A. Designing a Model for Improving Banking Recommender Systems Based on Predicting Customers’ Interests: Application of Data Mining Techniques. Journal of Information Technology Management, 8(2), 2016, 393-314.
[9]        Núñez-Valdéz, E. R., Lovelle, J. M. C., Martínez, O. S., García-Díaz, V., De Pablos, P. O., & Marín, C. E. M., Implicit feedback techniques on recommender systems applied to electronic books. Computers in Human Behavior, 28(4), 2012, 1186-1193.
[10]     Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A., Recommender systems survey. Knowledge-based systems, 46, 2013, 109-132.
[11]     Sarwar, B., Karypis, G., Konstan, J., Riedl, J., Application of dimensionality reduction in recommender system-a case study. No. TR-00-043. Minnesota Univ Minneapolis Dept of Computer Science, 2000, 6, 100-105.
[12]     Bengio, Y., Courville, A., & Vincent, P., Representation learning: A review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, 35(8), 2013, 1798-1828.
[13]     Bengio, Y., Learning deep architectures for AI. Foundations and trends® in Machine Learning, 2(1), 2009, 1-127.
[14]     Liu, D. C., & Nocedal, J., On the limited memory BFGS method for large scale optimization. Mathematical programming, 45(1-3), 1989, 503-528.
[15]     Marinho, L. B., & Schmidt-Thieme, L., Collaborative tag recommendations. In Data Analysis, Machine Learning and Applications, Springer, Berlin, Heidelberg, 2008, 533-540.
[16]     Ricci, Francesco, Lior Rokach, and Bracha Shapira. "Introduction to recommender systems handbook." In Recommender systems handbook, springer, US, 2011, 5-35.
[17]     Firan, C. S., Nejdl, W., & Paiu, R., The benefit of using tag-based profiles. In Web Conference. LA-WEB 2007. Latin American IEEE, 2007, 32-41.
[18]     Koren, Y., Bell, R., & Volinsky, C., Matrix factorization techniques for recommender systems. Computer, (8), 2009, 30-37.
[19]     Liang, H., Xu, Y., Li, Y., Nayak, R., & Tao, X., Connecting users and items with weighted tags for personalized item recommendations. In Proceedings of the 21st ACM conference on Hypertext and hypermedia. ACM, 2010, 51-60.
[20]     De Lathauwer, L., De Moor, B., & Vandewalle, J., A multilinear singular value decomposition. SIAM journal on Matrix Analysis and Applications, 21(4), 2000, 1253-1278.
[21]     Hotho, A., Jäschke, R., Schmitz, C., & Stumme, G., Information retrieval in folksonomies: Search and ranking. In European Semantic Web conference. Springer, Berlin, Heidelberg, 2006, 411-426.
[22]     Hevner, A., & Chatterjee, S., Design research in information systems: theory and practice (Vol. 22). Springer Science & Business Media, Springer, Berlin, Heidelberg, 2010, 136-215.
[23]     Marinho, L. B., Nanopoulos, A., Schmidt-Thieme, L., Jäschke, R., Hotho, A., Stumme, G., & Symeonidis, P., Social tagging recommender systems. In Recommender systems handbook. Springer, Boston, MA., 2011, 615-644.
پژوهش های نوین در تصمیم گیری
دوره 3، شماره 2
شهریور 1397
صفحه 155-174

فایل ها

هم رسانی

ارجاع به این مقاله

آمار