طراحی و ارزیابی یک سیستم توصیه‌گر ترکیبی مبتنی بر فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا و NeuMF با وزن‌دهی پویا برای شخصی‌سازی منوهای اپلیکیشن‌های موبایلی

طراحی و ارزیابی یک سیستم توصیه‌گر ترکیبی مبتنی بر فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا و NeuMF با وزن‌دهی پویا برای شخصی‌سازی منوهای اپلیکیشن‌های موبایلی

محمدرضا نهاردانی1 سیدرضا وزیری یزدی2

1) گروه کامپیوتر، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2) گروه کامپیوتر، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

کد IOI مقاله : AAHD-ABKZHE
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    گسترش روزافزون اپلیکیشن‌های موبایلی و افزایش تعداد خدمات و قابلیت‌های قابل ارائه به کاربران، ضرورت توسعه سیستم‌های توصیه‌گر هوشمند و شخصی‌سازی‌شده را بیش از پیش آشکار ساخته است. در محیط‌های بانکی و خدمات مالی دیجیتال، تعدد خدمات و منوهای موجود ممکن است موجب افزایش بار شناختی کاربران و دشوار شدن دسترسی سریع آنان به خدمات موردنیاز شود. ازاین‌رو، ارائه منوهای شخصی‌سازی‌شده بر اساس ویژگی‌های فردی، محتوایی و رفتاری کاربران می‌تواند نقش مهمی در بهبود تجربه کاربری و افزایش تعامل با اپلیکیشن‌های موبایلی داشته باشد. پژوهش حاضر با هدف طراحی یک سیستم توصیه‌گر ترکیبی برای شخصی‌سازی منوهای اپلیکیشن‌های بانکی ارائه شده است. در روش پیشنهادی، سه رویکرد مکمل شامل فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا و مدل یادگیری عمیق NeuMF به‌صورت یکپارچه ترکیب شده‌اند. در این معماری، فیلترینگ مشارکتی الگوهای رفتاری کاربران، فیلترینگ مبتنی بر محتوا ویژگی‌های محتوایی خدمات و NeuMF روابط پیچیده و غیرخطی میان کاربران و منوها را مدل‌سازی می‌کند. به‌منظور بهره‌گیری انعطاف‌پذیر از خروجی این مدل‌ها، یک مکانیزم وزن‌دهی پویا برای تنظیم سهم هر یک از مؤلفه‌ها در فرآیند تولید توصیه‌ها طراحی شده است. عملکرد روش پیشنهادی در پنج سناریو شامل فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا، NeuMF، مدل هیبریدی با وزن ثابت و مدل هیبریدی با وزن‌دهی پویا ارزیابی شده است. نتایج نشان داد که روش پیشنهادی در تمامی معیارهای ارزیابی عملکرد، بهترین عملکرد را در میان مدل‌های بررسی‌شده به دست آورده است. مدل پیشنهادی به Precision@10 برابر با 0.891، Recall@10 برابر با 0.873، F1-Score برابر با 0.882، MAP برابر با 0.902، NDCG@10 برابر با 0.928 و HR@10 برابر با 0.952 دست یافت. همچنین، زمان پاسخ مدل پیشنهادی 53 میلی‌ثانیه گزارش شد. یافته‌ها نشان می‌دهد که ترکیب اطلاعات رفتاری، محتوایی و الگوهای نهفته با استفاده از مکانیزم وزن‌دهی پویا می‌تواند راهکاری مؤثر برای بهبود شخصی‌سازی منوها و توسعه سیستم‌های توصیه‌گر قابل استفاده در محیط‌های موبایلی باشد.

کلمات کلیدی : سیستم توصیه‌گر فیلترینگ مشارکتی فیلترینگ مبتنی بر محتوا neumf وزن‌دهی پویا شخصی‌سازی اپلیکیشن موبایل بانکداری دیجیتال