سیستمهای توصیهگر: مروری جامع از روشهای سنتی تا رویکردهای مبتنی بر یادگیری عمیق و مدلهای زبانی بزرگ
سیستمهای توصیهگر: مروری جامع از روشهای سنتی تا رویکردهای مبتنی بر یادگیری عمیق و مدلهای زبانی بزرگ
یلدامسگر1
1) کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار،دانشگاه آزاد اسلامی واحد آیت الله آملی
کد IOI مقاله
:
AAHD-ABEAFK
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
چکیده
سیستمهای توصیهگر به عنوان یکی از مهمترین ابزارهای فیلترینگ اطلاعات در عصر دیجیتال، نقش بیبدیلی در شخصیسازی محتوا و بهبود تجربه کاربری ایفا میکنند. این مقاله مروری جامع بر سیستمهای توصیهگر ارائه میدهد و تکامل آنها را از روشهای سنتی همچون فیلترینگ همکارانه، فیلترینگ محتوامحور و سیستمهای هیبریدی تا رویکردهای پیشرفته مبتنی بر یادگیری عمیق، شبکههای عصبی گرافی، یادگیری تقویتی و مدلهای زبانی بزرگ دنبال میکند. در این مقاله، مبانی ریاضی روشهای کلیدی شامل تجزیه ماتریس، شباهت کسینوسی، ماشینهای عاملسازی و شبکههای عصبی کانولوشنی به طور دقیق تشریح شده است. همچنین چالشهای اساسی نظیر مسئله شروع سرد، خلوت بودن دادهها و حباب فیلتر مورد بررسی قرار گرفته و روندهای نوظهور از جمله سیستمهای توصیهگر مبتنی بر مدلهای زبانی بزرگ و سیستمهای عاملمحور تحلیل میشود. این مقاله با ارائه دستهبندی ساختاریافته و بررسی جامع ادبیات موضوع، میتواند به عنوان منبعی معتبر برای پژوهشگران و دانشجویان حوزه هوش مصنوعی و بازیابی اطلاعات مورد استفاده قرار گیرد.
کلمات کلیدی : ها سیستمهای توصیهگر فیلترینگ همکارانه تجزیه ماتریس یادگیری عمیق مدلهای زبانی بزرگ شخصیسازی