فهرست نشریات علمی دسترسی آزاد ایران

سیستم‌های توصیه‌گر مبتنی بر جلسه نوعی از سیستم‌های توصیه‌گر هستند که با مدل‌سازی وابستگی‌های بین تعاملات کاربر و آیتم‌ها، به دنبال معرفی مناسب‌ترین آیتم یا مجموعه‌ای از آیتم‌ها به کاربر هستند. موضوع مهم در عملکرد این سیستم‌ها، توانایی کشف وابستگی‌های مختلف در یک جلسه است. درحالی‌که مدل‌های موجود اغلب تنها بر یکی از این دو نوع وابستگی ترتیبی یا پیچیده تمرکز دارند، در این پژوهش یک مدل جدید ارائه‌شده است که از شبکه عصبی گراف برای شناسایی وابستگی‌های پیچیده و غیرترتیبی بین آیتم‌ها، و از شبکه عصبی بازگشتی برای مدل‌سازی وابستگی‌های ترتیبی درون جلسه استفاده می‌کند. این ترکیب به مدل امکان می‌دهد تا درکی غنی‌تر و دقیق‌تر از هدف کاربر به دست آورده و در نتیجه، نسبت به روش‌های متعارف که تنها به یکی از این جنبه‌ها می‌پردازند، دقت پیش‌بینی بالاتری را ارائه دهد. ارزیابی جامع بر روی دو مجموعه داده پرکاربرد Yoochoose و Diginetica، برتری روش معرفی‌شده را در مقایسه با جدیدترین روش‌های موجود به اثبات می‌رساند. نتایج نشان می‌دهد که RGNF-SRec به ترتیب به بهبود 40/0٪ در معیار P@20 و 07/1٪ در معیار MRR@20 نسبت به قوی‌ترین مدل پایه بر روی این مجموعه داده‌ها دست‌یافته و توانایی خود را در ارائه توصیه‌های دقیق‌تر برای آیتم بعدی به نمایش می‌گذارد.