شماره ركورد كنفرانس :
5143
عنوان مقاله :
پيشنهادات كاليبره شده براساس احساسات استخراج شده از متون مرتبط با آيتم ها
عنوان به زبان ديگر :
Calibrated recommendations based on extracted emotion of text
پديدآورندگان :
پارساراد شيوا دانشگاه تهران؛shiva.parsarad@ut.ac.ir , هراتي زاده سامان دانشگاه تهران؛haratizadeh@ut.ac.ir
كليدواژه :
احساسات استخراج شده از متن , پيش‌بيني صحيح علاقه‌مندي‌هاي كاربر , سيستم توصيه گرعادلانه , كاليبراسيون ليست پيشنهادي
عنوان كنفرانس :
كنفراس فناوري اطلاعات و دانش (IKT2021)
چكيده فارسي :
سيستم‌هاي توصيه‌گر براي پيشنهاد آيتم‌ها به كاربران براساس علاقه‌مندي آن‌ها ايجاد شده‌اند. در اين سيستم‌ها براساس آنچه كه در گذشته كاربر وجود دارد علاقه‌مندي‌هاي او مشخص و به او پيشنهادهايي ارائه مي شود. معمولا هدف سيستم‌هاي توصيه‌گر داشتن حداكثر صحت در پيش‌بيني علاقه مندي كاربر است. اما در سال‌هاي اخير موضوع عادلانه بودن پيشنهادات به كاربر مورد توجه قرار گرفته است. كاليبراسيون مي‌تواند نتايج عادلانه‌اي را براي پيشنهاد به كاربر توليد كند. هدف آن پوشش تمامي طيف علاقه‌مندي‌هاي كاربر است. در تمامي مقالات مربوط به كاليبراسيون سيستم‌هاي توصيه‌گر، كاليبره كردن براساس ژانر صورت گرفته است. در اين مقاله ايده استفاده از توزيع احساسي استخراج شده از متون مربوط به آيتم‌ها، به عنوان جايگزين توزيع ژانري به منظور كالبيره كردن توصيه ها پيشنهاد شده است. گرچه رويكرد پيشنهادي به صورت پس پردازش عمل كرده و وابسته به مدل پايه توصيه‌گر نيست اما ما براساس عملكرد بهتر مدل يادگيري عميق مشاركتي از آن به عنوان مدل پايه خود استفاده كرديم. مدل روي مجموعه داده Movielens و براساس معيارهاي مختلف ارزيابي شد. عملكرد مدل پيشنهادي نشان داد كه كاليبره‌كردن پيشنهادات براساس احساسات در مقايسه با ژانر مقدار بازيابي را به ميزان قابل توجهي افزايش مي دهد و بعلاوه همزمان داراي خطاي كاليبراسيون بسيار كمي نيز هست.
