Loading...

Deep Learning For Recommender Systems

Abbasi, Omid | 2017

933 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 49663 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Soleimani, Mahdieh
  7. Abstract:
  8. Collaborative fltering (CF) is one of the best and widely employed approaches in Recommender systems (RS). This approach tries to fnd some latent features for users and items so it would predict user rates with these features. Early CF methods used matrix factorization to learn users and items latent features. But these methods face cold start as well as sparsity problem. Recent years methods employ side information along with rating matrix to learn users and items latent features. On the other hand, deep learning models show great potential for learning effective representations especially when auxiliary information is sparse. Due to this feature of deep learning, we use deep learning to learn good representation for items.In particular, we propose a hybrid method with deep learning alongside matrix factorization which creates a two-way interaction between latent features learnt from matrix factorization and features extracted from content of the items with deep leaning methods and simultaneously optimize the parameters of these models. Experiments on real-world datasets show that the proposed method outperform state-of-the-art RS methods
  9. Keywords:
  10. Recommender System ; Deep Learning ; Collaborative Filtering

 Digital Object List

 Bookmark

  • مقدمه
    • سامانه‌های توصیه‌گر با استفاده از شبکه‌های عمیق
    • تعریف رسمی سامانه توصیه‌گر
    • چالش‌ها
      • تنک بودن داده‌ها
      • شروع سرد
      • مقیاس‌پذیری
      • تنوع پیشنهادات در مقابل دقت
      • حمله
    • هدف پایان‌نامه
    • ساختار پایان‌نامه
  • مروری بر کارهای انجام شده
    • دسته‌بندی سامانه‌های توصیه‌گر
      • محتوا-محور
      • پالایش همکارانه
      • روش‌های ترکیبی
    • رویکرد محتوا-محور
      • بازنمایی گزینه‌ها
      • یادگیری نمایه کاربر و ارائه پیشنهاد
    • رویکرد پالایش همکارانه
      • وابسته به حافظه
      • مقایسه روش‌های وابسته به کاربر و وابسته به گزینه
      • وابسته به مدل
      • پالایش همکارانه با استفاده از خود کدگذار
      • مقایسه کلی روش‌های وابسته به مدل و وابسته به حافظه
    • مقایسه کلی رویکرد محتوا-محور و پالایش همکارانه
    • رویکرد ترکیبی
      • مدل CTR
      • مدل CDL
      • ساختار MDA-CF
      • شبکه عمیق و عریض
    • جمع‌بندی کارهای پیشین
  • راهکار پیشنهادی
    • مقدمه
    • نمادگذاری مساله
    • بازنمایی گزینه‌ها
    • استخراج ویژگی‌ها
    • روش پیشنهادی
      • تخمین مقادیر متغیرها
      • پیش‌بینی امتیازات
    • نتیجه‌گیری
  • نتایج عملی
    • مقدمه
    • مجموعه دادگان
    • معیار ارزیابی
    • مدل‌های مورد مقایسه و تنظیمات آزمایش
    • ارزیابی روش پیشنهادی
    • تحلیل نتایج آزمایش‌ها
    • بررسی میزان تاثیر بخش‌های مختلف مدل
      • میزان تاثیر شبکه تبدیل پاراگراف به بردار
      • میزان تاثیر شبکه SDAE
      • میزان تاثیر شبکه ارتباطات بین گزینه‌ها
      • میزان تاثیر محتوای گزینه‌ها
    • نتیجه گیری
  • نتیجه‌گیری و کار‌های آتی
    • جمع‌بندی مطالب
    • کارهای آتی
...see more