یادگیری بازنمایی مبتنی بر گراف برای فیلتر کردن مشارکتی با استفاده از شبکه های عصبی [پايان نامه فارسي]
علیرضا مومیوند
| شناسگر رکورد: | ۵۲۱۹۵ |
| رشته تحصیلی: | هوش مصنوعی و رباتیکز |
| عنوان: | یادگیری بازنمایی مبتنی بر گراف برای فیلتر کردن مشارکتی با استفاده از شبکه های عصبی |
| نويسنده: | علیرضا مومیوند |
| استاد راهنما : | دکتر روح اله عابدیان |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۴۰۴ |
| چکیده: | سیستم‌های توصیه‌گر، به‌ویژه روش‌های مبتنی بر فیلترینگ مشارکتی، با چالش‌های بنیادینی نظیر پراکندگی داده‌ها، مسئله شروع سرد و ناتوانی در مدل‌سازی روابط پیچیده کاربر-آیتم مواجه هستند. این پژوهش به منظور غلبه بر این محدودیت‌ها، یک تغییر پارادایم از نمایش ماتریسی به رویکردهای مبتنی بر گراف را بررسی می‌کند. در این راستا، از شبکه‌های عصبی گرافی برای یادگیری بازنمایی‌های غنی از ساختار تعاملات کاربر-آیتم بهره گرفته شده است. کانون اصلی این تحقیق، تحلیل مسیر تکاملی و روند ساده‌سازی در معماری GNNها برای فیلترینگ مشارکتی است؛ از مدل‌های پیچیده مانند NGCF به سمت معماری‌های حداقلی‌گرا و کارآمد مانند LightGCN و UltraGCN. به منظور ارزیابی این روند، یک مطالعه‌ی تجربی نظام‌مند بر روی مجموعه داده‌ی استاندارد MovieLens-۱M انجام شد. نتایج نشان داد که مدل LightGCN با حذف مؤلفه‌های غیرضروری مانند توابع فعال‌سازی غیرخطی و تبدیلات ویژگی، به بالاترین دقت در رتبه‌بندی (NDCG@۲۰) دست یافت. این یافته مؤید آن است که در فیلترینگ مشارکتی، ساختار گراف اهمیت بیشتری نسبت به پیچیدگی معماری شبکه عصبی دارد. از سوی دیگر، مدل UltraGCN که فرآیند انتشار پیام را به کلی حذف کرده و آن را با یک تابع زیان مبتنی بر قید جایگزین می‌کند، کارایی محاسباتی فوق‌العاده و سرعت همگرایی بسیار بالاتری را با کمی کاهش در دقت به نمایش گذاشت. این پژوهش یک توازن کلیدی میان دقت و کارایی را آشکار می‌سازد و یک چارچوب عملی برای انتخاب مدل بهینه ارائه می‌دهد. نتیجه‌گیری اصلی آن است که حرکت به سمت معماری‌های ساده‌تر، نه‌تنها منجر به افزایش کارایی و مقیاس‌پذیری می‌شود، بلکه می‌تواند به بهبود دقت توصیه‌ها نیز کمک کند و مسیرهای جدیدی برای طراحی سیستم‌های توصیه‌گر نسل آینده باز نماید. |
| واژگان کلیدی: | سیستم‌های توصیه‌گر، فیلترینگ مشارکتی، یادگیری بازنمایی مبتنی بر گراف، شبکه‌های عصبی گرافی (GNN)، ساده‌سازی مدل، LightGCN، UltraGCN |
| شماره ثبت | جزء | نسخه | جلد | بخش | قسمت | مرجع | شماره بازیابی | در دست امانت | تاریخ بازگشت | ملاحظات | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 284833 | 1 |
جهت ثبت نظر با حساب کاربری تان وارد شوید