آقای مهدی حسین زاده اقدم دانشجوی دکترای جناب آقای دکتر مرتضی آنالویی روز شنبه مورخ 95/04/05  از رساله دکترای خود تحت عنوان "یادگیری ویژگی‌های نهفته برای افزایش کارایی سیستم‌های توصیه‌گر با استفاده از شبکه‌های اعتماد"دفاع می نمایند.

چکیده

با افزایش میزان اطلاعات قابل دسترس در اینترنت نیاز به ابزارهایی است که کاربران را در این حجم اطلاعات راهنمای کنند. سیستم‌های توصیه‌گر با جمع‌آوری داده‌های مورد نیاز سعی می‌کنند پیشنهادهای مناسب را تولید کنند و پالایش مشارکتی یکی از روش‌های مطرح در این زمینه است که با تحلیل امتیازات کاربران سعی می‌کند امتیاز بعدی را بر اساس کاربران مشابه پیش‌بینی کند. با این وجود، بیشتر روش‌های پالایش مشارکتی با چالش‌های نظیر خلوت بودن داده‌ها، مقیاس‌پذیری و کاربران بدخواه مواجه هستند.

برای مقابله با چالش‌های موجود در سیستم‌های توصیه‌گر، سه گام برای این رساله برنامه‌ریزی شده است. در گام نخست، یک روش بر پایه فاکتورگیری ماتریسی غیرمنفی پیشنهاد و آزمایش شده است. در این روش فرض بر این است که با تعداد محدودی از ویژگی‌های نهفته می‌توان ترجیحات کاربران را توصیف کرد و هر کدام از کاربران و اقلام به‌صورت یک بردار ویژگی قابل نمایش هستند که ابعاد آن برابر با تعداد ویژگی‌های نهفته است. نتایج آزمایش‌ها بر روی مجموعه داده‌های MovieLens و Book-Crossing نشان می‌دهد راهکار پیشنهادی به‌خوبی چالش‌های خلوت بودن و مقیاس‌پذیری را حل می‌کند.

در گام دوم و در راستای اهداف رساله، یک سیستم توصیه‌گر آگاه از اعتماد ارائه شده است. این سیستم با مدل کردن شبکه اعتماد در یک مدار مقاومتی، مقادیر اعتماد نامعلوم را استنتاج کرده و از این مقادیر برای تولید پیشنهادهای شخصی استفاده می‌کند. هر کاربر در شبکه اعتماد به یک گره در مدار مقاومتی نگاشت می‌شود. همچنین برای هر دو کاربر همسایه در شبکه اعتماد، یک مقاومت بین گره‌های معادل آن‌ها در مدار مقاومتی قرار داده می‌شود. روش پیشنهادی از قوانین ابتدایی مدارهای الکتریکی برای استنتاج مقادیر اعتماد استفاده می‌کند و پیچیدگی محاسباتی کمی دارد. نتایج پیاده‌سازی‌ها بر روی مجموعه داده Epinions نشان دهنده برتری روش ارائه شده نسبت به روش‌های دیگر است. در گام آخر، یک مدل مخفی مارکوف سلسله مراتبی برای شناسایی تغییر در ترجیحات کاربران معرفی شده است. این مدل الگوهای تغییر حالت در ترجیحات کاربران را شناسایی می‌کند و آن‌ها را به‌صورت متغیرهای پنهان نمایش می‌دهد تا از آن‌ها برای تولید پیشنهاد‌های شخصی منطبق با حالت کنونی کاربر استفاده کند. نتایج ارزیابی‌ها بر روی مجموعه داده Last.fm نشان می‌دهد که مدل پیشنهادی بدون کاهش دقت، تنوع پیشنهادها را افزایش می‌دهد.

واژه‌های کلیدی: سیستم‌های توصیه‌گر، شبکه‌های اعتماد، فاکتورگیری ماتریسی، ویژگی‎های نهفته، سیستم‌های توصیه‌گر آگاه از اعتماد، سیستم‌های توصیه‌گر آگاه از متن.

  :Abstract

With growing information on online systems, we need tools to guid users among information. Recommender systems collect various kinds of data to create their recommendations. Collaborative filtering is a popular strategy in recommender systems area. This approach analysis users’ ratings and then predicts what users will rate based on their similarity to other users. However, most of collaborative filtering methods have faced challenges such as sparsity and scalability. Also, they cannot distinguish malicious users from unknown users.

In order to alleviate these challenges, three essential steps are followed in this thesis. In the first step, we have presented a method based on non-negative matrix factorization. This approach assumes that there exist a small number of latent factors that can describe users’ preferences, users and items are displayed as unknown feature vectors whose dimensions are considered as latent features. Empirical studies on MovieLens and Book-Crossing datasets display that the proposed method is more tolerant against the problems of sparsity and scalability, and obtains good results.

In the second step, this thesis has proposed an improved trust-aware recommender system that uses resistive circuits for trust inference. This method uses trust information to produce personalized recommendations. Each user in the trust network is mapped to a node in the resistive circuit. Also, for each two adjacent users in the trust network, a resistor is located between their corresponding nodes in the resistive circuit. The proposed method uses basic electric circuit rules to infer trust values and its computational complexity is very low. Simulation results on Epinions dataset show the superiority of the proposed method compared to other methods.

In the last step, we have introduced a hierarchical hidden Markov model for capturing changes in user’s preferences. The model captures common patterns of contextual changes in users’ preferences, represented as hidden variables in the model, and uses them to produce personalized recommendations matching the current interests of the user. The result of evaluating the proposed method on Last.fm data set shows that this method can significantly improve the diversity of recommendations while does not reduce the accuracy of recommender systems.

Keywords: Recommneder Systems, Trust Networks, Matrix Factorization, Latent Features, Trust-aware Recommender Systems, Context-aware Recommender Systems.

.

.

  ارائه­ دهنده:

مهدی حسین زاده اقدم

در رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیک

  اساتید راهنما:

دکتر مرتضی آنالویی

دکتر پیمان کبیری

  هیات داوران:

 دکتر ناصر مزینی، دکتر سعید پارسا، دکتر عادل ترکمان رحمانی

اساتید مدعو:

دکتر محمدرضا میبدی، دکتر حمید بیگی

  زمان :

شنبه 5 تیرماه 1395 ساعت 10 قبل از ظهر

  مکان: دانشکده مهندسی کامپیوتر- طبقه دوم- اتاق دفاعیه دکتری

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی