فهرست نشریات علمی دسترسی آزاد ایران

با تجزیه‌وتحلیل رفتار کاربر، اولویت‌ها و داده‌های تاریخی، سیستم‌های توصیه‌گر می‌توانند به‌طور مؤثر توصیه‌های شخصی‌سازی‌شده برای محصولات، خدمات یا محتوا را به کاربران ارائه دهند. از طریق استفاده از فناوری‌های یادگیری ماشین و هوش مصنوعی، سیستم‌های توصیه‌گر به‌طور پیوسته یاد می‌گیرند و در طول زمان با ترجیحات کاربر سازگار می‌شوند. در این پژوهش، مدلی جدید ارائه شده است که با هدف بهبود دقت و کارایی سیستم‌های توصیه‌گر توسعه یافته است. مدل پیشنهادی علاوه بر یکپارچه‌سازی شبکه تعاملات کاربر-قلم، شبکه اجتماعی کاربران و شبکه تشابه مشارکتی قلم‌ها، از مکانیزم خودتوجهی تطبیقی در لایه پیش‌بینی استفاده می‌کند. این مکانیزم امکان یادگیری وزن‌های معنایی تطبیقی و تمرکز بر تعاملات کلیدی کاربران و قلم‌ها را فراهم می‌کند، که در نهایت منجر به بهبود قابل‌توجهی در پیش‌بینی ترجیحات کاربران می‌شود. نتایج تجربی به‌دست‌آمده از مجموعه داده‌های واقعی نشان می‌دهد که مدل پیشنهادی عملکرد بهتری نسبت به مدلIGCN-CF  دارد. معیارهای NDCG  و Recall  به ترتیب بهبود 7/3% و 9/4% نسبت به پژوهش بیان شده نشان داده‌اند. این نتایج به‌وضوح بیانگر این است که ترکیب اطلاعات اجتماعی کاربران، روابط تشابه مشارکتی قلم‌ها و استفاده از مکانیزم خودتوجهی می‌تواند به‌طور قابل‌توجهی عملکرد سیستم‌های توصیه‌گر را ارتقاء دهد.