نموذج توصية هجين يعتمد على التعلم العميق لمستخدمي الإنترنت

تلعب أنظمة التوصية (RS) دورًا حاسمًا في تقديم اقتراحات مخصصة للعناصر، إلا أن الطرق التقليدية غالبًا ما تواجه صعوبات في الدقة، وقابلية التوسع، والكفاءة، وتحديات البداية الباردة. يقدم هذا البحث نموذج HRS-IU-DL، وهو نظام توصية هجيني مبتكر يعزز هذا المجال من خلال دمج تقنيات متعددة متطورة لتحسين كل من الدقة والملاءمة. يجمع النموذج المقترح بين التصفية التعاونية المعتمدة على المستخدم والعناصر (CF) لتحليل تفاعلات المستخدم والعنصر بشكل فعال، والتصفية التعاونية العصبية (NCF) لالتقاط العلاقات غير الخطية المعقدة، والشبكات العصبية المتكررة (RNN) لتحديد الأنماط التسلسلية في سلوك المستخدم. علاوة على ذلك، فإنه يدمج التصفية المعتمدة على المحتوى (CBF) مع تكرار المصطلحات - تكرار الوثائق المعكوس (TF-IDF) لتحليل عميق لسمات العناصر. إحدى المساهمات الرئيسية لهذا العمل هي الدمج المبتكر لـ CF و NCF و RNN و CBF، الذي يعالج بشكل جماعي التحديات المهمة مثل ندرة البيانات، ومشكلة البداية الباردة، والطلب المتزايد على التوصيات المخصصة. بالإضافة إلى ذلك، يستخدم النموذج تقنيات N-Sample للتوصية بأعلى 10 عناصر مشابهة بناءً على الأنواع المحددة من قبل المستخدم، مع الاستفادة من طرق مثل تشابه جيب التمام، وتحليل القيم الفردية (SVD)، وTF-IDF. يتم تقييم نموذج HRS-IU-DL بدقة على مجموعة بيانات Movielens 100k المتاحة للجمهور باستخدام تقسيمات التدريب والاختبار. يتم تقييم الأداء باستخدام مقاييس مثل الجذر التربيعي لمتوسط الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، والدقة، والاسترجاع. تظهر النتائج أن نموذج HRS-IU-DL لا يتفوق فقط على الأساليب الرائدة، ولكنه أيضًا يحقق تحسينات كبيرة عبر هذه المقاييس التقييمية، مما يبرز مساهمته في تقدم تقنية RS.