افزايش كارايي سيستم پيشنهاددهنده مبتني بر تجزيۀ ماتريس با پيشنهادي براي تنظيم مقدار اوليه ويژگيهاي نهان آيتمها

Improving the Performance of Matrix Factorization-Based Recommendation System by Proposing a Value as Initial Item Latent Feature

سيستمهاي پيشنهاددهنده نمونه اي از موفق ترين ابزارهاي شخصي سازي در وب هستند. كشف اطلاعات مناسب براي راهنمايي كاربر يا كشف آيتم هاي مورد علاقه كاربر در يك فضاي بسياربزرگ ازانتخاب هاي ممكن، از جمله قابليت هاي سيستم هاي پيشنهاد دهنده هستند. هدف اصلي يك سيستم پيشنهاد دهنده، كشف علايق كاربر و توصيه آيتم ها و خدمات جديد به وي است. چنين سيستمي، يك ابزار ضروري براي فروشگاههاي بزرگ اينترنتي مثل ديجي كالا است. يكي از روشهاي مهم استفاده شده در سيستم هاي پيشنهاددهنده، روش مبتني بر تجزيۀ ماتريس است. در اين روش، با استفاده از امتيازات داده شدۀ كاربران به برخي از آيتمها، براي هر كاربر و هر آيتم، يك بردار ويژگي استخراج ميشود كه ويژگيهاي نهانِ كاربر يا آيتم ناميده ميشود. خطا و زمان اجراي اين روش، وابسته به مقدار اوليۀ ويژگيهاي نهان ميباشد. تا پيش از اين، مقدار اوليه ويژگيهاي نهان، مقداري تصادفي درنظرگرفته ميشد. در اين مقاله، از جواب تقريبيِ شكلِ ساده شدۀ مسالۀ تجزيۀ ماتريس، به عنوان جواب اوليۀ مسالۀ اصليِ تجزيۀ ماتريس استفاده خواهد شد. آزمايش‌هاي انجام‌شده بر روي مجموعه داده Movielens100k، ml-latest-small، DouBan و EachMovie نشان مي‌دهد كه درصورت استفاده از روش پيشنهادي، ميزان خطا و زمان اجراي روش تجزيۀ ماتريس بهبود مي يايد.

Recommendation systems are successful personalizing tools in web. They are used to provide content and services tailored to individuals based on knowledge about their preferences and behaviors in a system with many options. Recommendation system is a necessary tool for big internet shopping such as digikala. One of the most important recommendation method is matrix factorization method. In matrix factorization method, the latent features of users and items are determined in such a way that the inner product of the latent features of a user with the latent feature of an item is equal to that user s rating on that item. The performance of this method depends on the initial values of the latent features of items which is usually set randomly. In this paper, we propose a method to determine the initial values of item latent features. Our proposed initial value is an approximate solution of our proposed mathematical model which is the simple version of matrix factorization model. Experimental results on the datasets Movielens100k, ml-latest-small, DouBan, EachMovie shows that the performance of our proposed method is better than the traditional methods.