Os sistemas de recomendação (RS) são essenciais para gerar recomendações personalizadas com base nas preferências do usuário, histórico de interações e atributos dos itens. Esses sistemas melhoram a experiência do usuário, ajudando as pessoas a encontrar conteúdos relevantes, como filmes, músicas, livros ou produtos adaptados aos seus interesses. Plataformas populares como Netflix, Amazon e YouTube usam RS para fornecer recomendações de alta qualidade que melhoram a descoberta de conteúdo e a satisfação do usuário. A Filtragem Colaborativa (CF), uma técnica amplamente utilizada, analisa as interações usuário-objeto para identificar padrões e semelhanças. No entanto, o CF enfrenta desafios como complexidade, volume de dados e problemas de partida a frio, que limitam seu desempenho. Abordar estas questões é fundamental para melhorar a precisão das recomendações e garantir um desempenho consistente.
A pesquisa sobre RS está incorporando cada vez mais técnicas de aprendizagem profunda (EAD) para superar limitações comuns. A pesquisa explorou vários métodos, como CNNs, RNNs e modelos híbridos, que combinam filtragem conjunta com arquiteturas DL. Técnicas como autoencoders, GNNs e aprendizado por reforço também têm sido usadas para melhorar a conformidade e adaptação das recomendações. Trabalhos recentes concentraram-se em RS com consciência de privacidade, análise multimodal e recomendações urgentes, demonstrando a capacidade do DL de lidar com dados esparsos, melhorar a personalização e se adaptar às preferências dinâmicas do usuário. Estas inovações colmatam lacunas críticas no RS, abrindo caminho para sistemas de recomendação mais eficientes e centrados no utilizador.
Pesquisadores da Universidade de Mansoura apresentaram o modelo HRS-IU-DL, um sistema de recomendação híbrido avançado que combina múltiplas técnicas para melhorar a precisão e a consistência. O modelo combina CF baseado em usuário e objeto com Filtragem Colaborativa Neural (NCF) para capturar relacionamentos não lineares, RNN para análise de padrões sequenciais e CBF usando TF-IDF para avaliação detalhada de características de objetos. Testado no conjunto de dados Movielen 100k, o modelo apresenta o mais alto desempenho em todas as métricas, como RMSE, MAE, Precisão e Recall, abordando desafios como volume de dados e problemas de inicialização a frio, ao mesmo tempo que melhora significativamente a tecnologia do sistema de recomendação.
A pesquisa melhora o RS combinando NCF e CF e combina RNN com Filtragem Baseada em Conteúdo (CBF). O modelo híbrido (HRS-IU-DL) usa interações usuário-objeto, atributos de objetos e padrões de sequência para obter recomendações precisas e personalizadas. Usando o conjunto de dados Movielen, o método combina fatoração de matriz, similaridade de cosseno e TF-IDF para extrair recursos, juntamente com técnicas de aprendizado profundo para enfrentar os desafios de partidas a frio e inacessibilidade de dados. Os mecanismos de proteção da privacidade garantem a segurança dos dados dos utilizadores. O modelo captura com sucesso o comportamento complexo do usuário e a dinâmica momentânea, melhorando a precisão e a diversidade das recomendações em plataformas de comércio eletrônico, entretenimento e online.
O modelo híbrido proposto (HRS-IU-DL) foi testado no conjunto de dados Movilens 100k, dividido em 80–20 para treinamento e teste, e comparado com os modelos de linha de base. A análise inicial dos dados incluiu estimativa de distribuição e análise estatística para abordar a dispersão e a desigualdade – as etapas de pré-processamento incluíram normalização, técnicas de preservação de privacidade e filtragem de identidades de usuários e filmes. O modelo combina CF, NCF, CBF e RNN para melhorar as interações usuário-objeto com estruturas de objetos. O ajuste de parâmetros aprimorado melhorou as métricas de desempenho, alcançando RMSE de 0,7723, MAE de 0,6018, precisão de 0,8127 e recall de 0,7312. É mais bem-sucedido que os modelos básicos em termos de precisão e eficiência, apresentando melhores capacidades de recomendação.
Concluindo, o modelo híbrido HRS-IU-DL combina CF, CBF, NCF e RNN para melhorar a precisão da recomendação, abordando limitações como volume de dados e problemas de inicialização. O sistema fornece recomendações personalizadas por meio de interações usuário-item e propriedades de objetos. A avaliação do conjunto de dados Movielen 100k destaca seu alto desempenho, alcançando baixos RMSE e MAE junto com precisão e recuperação aprimoradas. Pesquisas futuras incorporarão construções avançadas como Transformers, dados de contexto e medições experimentais em grandes conjuntos de dados. Os esforços também se concentrarão na melhoria da eficiência e escalabilidade da computação para aplicações do mundo real.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
🎙️ 🚨 'Avaliação de vulnerabilidade de um grande modelo de linguagem: uma análise comparativa dos métodos da Cruz Vermelha' Leia o relatório completo (Promovido)
Sana Hassan, estagiária de consultoria na Marktechpost e estudante de pós-graduação dupla no IIT Madras, é apaixonada pelo uso de tecnologia e IA para enfrentar desafios do mundo real. Com um profundo interesse em resolver problemas do mundo real, ele traz uma nova perspectiva para a intersecção entre IA e soluções da vida real.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
