فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی امتیازدهی کاربران به‌ویژه در شرایط خلوتی داده‏ها یک چالش مهم در سیستم‌های توصیه‌گر فیلم است. روش‏های موجود معمولاً به‏دلیل عدم درک روابط پیچیده بین کاربران و فیلم‌ها و عدم توجه به ویژگی‌های زمانی و زمینه‌ای، نتایج رضایت‌بخشی ارائه نمی‌دهند. این تحقیق یک رویکرد ترکیبی برای پیش‌بینی امتیازدهی فیلم‌ها با استفاده از مدل‌هایGAT  و GRU ارائه می‏کند که  به بهبود دقت پیش‌بینی و رفع محدودیت‌های موجود کمک می‏کند. در راهکار پیشنهادی ابتدا ویژگی‌های کاربران به GAT داده می‌شود تا پیش‌بینی امتیازدهی بر اساس رفتار کاربران انجام شود. سپس، ویژگی‌های فیلم‌ها نیز به GAT داده می‌شود و پیش‌بینی‌های مربوط به امتیازدهی بر اساس خصوصیات فیلم‌ها استخراج می‌شوند. در نهایت، ویژگی‌های زمانی از داده‌ها استخراج و با استفاده از GRU پیش‌بینی‌های اولیه انجام می‌شود. برای ترکیب این پیش‌بینی‌ها، از تکنیکStacking   استفاده می‌شود تا از قدرت هر یک از مدل‌ها به بهترین نحو بهره‌برداری شود. در این مرحله، از چهار مدل تقویتی تقویت گرادیان، درخت‌های بینهایت تصادفی، جنگل تصادفی و تقویت گرادیانی افزایشی سریع به عنوان متا-مدل‌ها بهره گرفته شده تا پیش‌بینی نهایی با دقت بالاتری حاصل شود. نتایج ارزیابی برروی مجموعه‏داده MovieLens نشان می‌دهد که رویکرد پیشنهادی دقت پیش‌بینی امتیازدهی فیلم‌ها را یه‏ویژه در شرایط خلوتی داده‏ها به‏طور قابل توجهی افزایش می‏دهد.