يادگيري عميق براي سيستم‌هاي توصيه‌گر

سرويس‌هاي اينترنتي امروزه محتواهاي متنوعي ارائه مي‌كنند. با توجه به اهميت سيستم‌هاي توصيه‌گر در سرويس دهنده‌هاي برخط (آنلاين)، مشكلات موجود در اين سيستم‌ها و همچنين پويا، خلوت و حجيم بودن داده‌ها، نسل جديدي از الگوريتم‌ها براي سيستم‌هاي توصيه‌گر مورد نياز است. از سوي ديگر، شبكه‌هاي عصبي عميق موفقيت چشمگيري در پردازش متن، تشخيص گفتار، بينايي ماشين، پردازش زبان طبيعي و پيش‌بيني در حوزه‌هاي مختلف، داشته‌اند. افزايش حجم اطلاعات و نمونه‌هاي آموزشي ورودي شبكه‌هاي عصبي عميق، نه تنها محدوديت ايجاد نمي‌كند، بلكه منجر به افزايش بازدهي اين شبكه‌ها مي‌گردد. در اين مقاله، يادگيري عميق را براي پياده‌سازي موثر سيستم‌هاي توصيه‌گر بررسي خواهيم نمود. در اين مقاله سيستم‌هاي توصيه‌گر، اهداف و كاربردهاي آنها و روش‌هاي مختلف توصيه را معرفي مي‌كنيم. با نحوه ارزيابي مدل براي سيستم‌هاي توصيه‌گر آشنا خواهيم شد. يادگيري عميق و ارتباط يادگيري عميق با هوش مصنوعي و سيستم‌هاي توصيه‌گر را بررسي مي‌كنيم. همچنين يك روند پياده‌سازي موثر را پيشنهاد مي‌دهيم