Exploiting Explicit and Implicit Feedback Information for Recommendation System Improvement

حسين جبيرعودة علوم الحاسوب

الخلاصة

نظم التوصية (RSs) هي أنظمة ذكية لتصفية المعلومات والتي تتعامل مع مشكلة التحميل الزائد للمعلومات. في الآونة الأخيرة ، أصبحت معلومات(social trust) الثقة الاجتماعية عاملاً إضافيًا مهمًا في الحصول على توصيات عالية الدقة بالإضافة إلى ذلك ، تلعب معلومات (textual review) المراجعة النصية دورًا أساسيًا في العديد من أساليب نظم التوصية التي يمكنها تحسين دقة التوصيات.
تعاني تقنيات نظم التوصية من مشاكل مثل (class imbalance) و (sparsity) و (cold-start)، مما يقلل من دقة توصياتها. في هذا العمل ، تم اقتراح نموذجين لتحسين نظام التوصية وهذين النموذجين يستندان إلى استدلالات التغذية الراجعة الضمنية والتقييمات الصريحة. النموذج الأول هو نموذج التنبؤ المستند إلى الثقة (TPM) ويتم تقديم الآخر بنوعين من نماذج التوصية القائمة على المراجعة (RRMs).
في TPM، يتم الحصول على علاقات ثقة صريحة وضمنية بناءً على خاصية نشر الثقة ثم دمج هذه العلاقات للاستفادة من تقييمات اكثر للجيران الجديرين بالثقة للتخفيف من مشكلتي (cold-start) و(sparsity) . وفقًا لذلك ، يتم تطبيق تقنية(weighted voting) المستمدة من ((ensemble classifier لانتخاب تقييمات أفضل الجيران الموثوق بهم. يتم استخدام طريقة (K Nearest Neighbor) من خلال دمج خطي للتقييمات الأصلية والتقييمات المنتخبة من خلال الثقة بواسطة تضمين وزن المساهمة (contribution weight) للحصول على أفضل تغطية ودقة للتنبؤ.
من ناحية أخرى، في RRMs، تم تطوير نموذجين للتوصية بناءً على وجود وغياب المراجعات النصية في مجموعة الاختبار. على وجه الخصوص، شكلت خمس خطوات أساسية هذه النماذج: المعالجة المسبقة للبيانات، تصنيف النص، نمذجة الموضوع، تشابه النص، و خطوة استنتاج أوزان التعديل وبالتالي التخفيف من مشكلتي (class imbalance) و(sparsity) . يتم استخدام نموذج (Naïve Bayes) لدمج أوزان التعديل المستنتجة كتعليقات ضمنية للتوصية بالعناصر الأكثر تفضيلًا للمستخدم المستهدف.
تم إجراء تجارب مكثفة على النماذج المقترحة باستخدام خمس مجموعات من البيانات:(FilmTrust) ،(Epinions) ،(Musical Instruments) ، (Automotive)، و(Amazon Instant Video) . أظهرت النتائج التجريبية أن TPM) و RRMs ) المقترحة تفوقت بشكل ملحوظ على جميع الطرق التي تمت المقارنة معها في كل من مهمتي Rating) Prediction و .(Top-N Recommendation على وجه التحديد، في TPM، تراوحت نسب التحسين تقريبًا من 4% كحد أدنى إلى 20% و 10% كحد أقصى على (FilmTrust) و (Epinions) على التوالي، من حيث مقياس F1 لمهمة (Rating Prediction). بينما، في RRMs، تحسنت دقة التوصيات بحوالي 10% كحد أدنى إلى 61% و 26% و 22% كحد أقصى على (Musical Instruments)، (Automotive)، و (Amazon Instant Video) على التوالي ، من حيث مقياس F1 لـ مهمة (Top-N Recommendation).