مهدی خرد - دانشجوی دکتری فناوری اطلاعات دانشگاه قم
سپیده متحدی - دانشجوی ارشد فناوری اطلاعات دانشگاه آزاد اسلامی بیرجند

زمانی که کاربر به منظور تامین خواستهای به اینترنت متصل می شود با حجم عظیم اطلاعات مرتبط با نیزاش مواجه می شود سیستم های توصیه گر ابزار یا تکنیک های برای فیلتر کردن انبوه اطلاعات هستند و به کاربران اقلامی را پیشنهاد می کنند که برای آنها رضایت بخش و مورد علاقه هستند. در سال های اخیر، یادگیری عمیق در تشخیص گفتار تجزیه و تحلیل تصویر و پردازش زبان طبیعی پیشرفت های شگرفی ایجاد کرده است اعمال تکنیک های یادگیری عمیق به سیستم پیشنهاد کننده به دلیل عملکرد پیشرفته ان، باعث می شودتا پیشنهادهایی با کیفیت بالا به دست آورد. برخیاز مدل های پیشنهاد کننده مبتنی بر یادگیری عمیق از بیش از یک روش یادگیری عمیق استفاده می کنند.انگیزه این است که تکنیک های یادگیری عمیق مختلف می توانند یکدیگر را تقویت کننده و یک مدل ترکیبی قوی تر را ایجاد کنند. در این پژوهش یک سیستم توصیه گر مبتنی بر یادگیری عمیق با ترکیب دو شبکه عصبی عمیق خودرمزنگار و یک شبکه عصبی پرسپترون چند لایه ارائه شده است. در این سیستم ابتدا ماتریس بازنمایی های کاربران و آیتم های با استفاده از دو خودرمزنگار عمیق بدست می آید سپس این بازنمایی ها به عنوان ورودی شبکه عصبی پرسپترون چند لایه عمیق داده می شوند تا رتبه کاربر به آیتم پیش بینی شود. روش پیشنهادی بر روی داده های استاندارد پیاده سازی شده است نتایج بدست آمده نشان می دهد که روش پیشنهادی نسبت به روش های متداول بهتر است.

سیستم توصیه گر، یادگیری عمیق، خودرمزنگار، پرسپترون چند لایه