推薦系統（RS）對於根據用戶偏好、歷史互動和項目屬性生成個性化建議至關重要。這些系統通過幫助個人發現與其興趣相關的內容（如電影、音樂、書籍或產品）來增強用戶體驗。像Netflix、Amazon和YouTube等流行平台利用RS提供高質量的推薦，從而改善內容發現和用戶滿意度。協同過濾（CF）是一種廣泛使用的技術，通過分析用戶與項目之間的互動來識別模式和相似性。然而，CF面臨著可擴展性、數據稀疏性和冷啟動問題等挑戰，限制了其有效性。解決這些問題對於提高推薦準確性和確保穩定性能至關重要。
在推薦系統的研究中，越來越多地融入先進的深度學習（DL）技術，以克服傳統的局限性。研究探索了多種方法，如卷積神經網絡（CNN）、循環神經網絡（RNN）和結合協同過濾的混合模型，這些模型與DL架構相結合。自編碼器、圖神經網絡（GNN）和強化學習等技術也被應用於提高推薦的相關性和適應性。最近的研究集中在隱私意識的RS、多模態分析和時間敏感的推薦上，展示了DL在處理稀疏數據、增強個性化和適應動態用戶偏好方面的潛力。這些創新填補了RS中的關鍵空白，為更高效和以用戶為中心的推薦系統鋪平了道路。
來自曼蘇拉大學的研究人員提出了HRS-IU-DL模型，這是一種先進的混合推薦系統，集成了多種技術以提升準確性和相關性。該模型結合了基於用戶和基於項目的CF與神經協同過濾（NCF），以捕捉非線性關係，使用RNN進行序列模式分析，並利用基於內容的過濾（CBF）通過TF-IDF進行詳細的項目屬性評估。在Movielens 100k數據集上進行評估，該模型在RMSE、MAE、精確度和召回率等指標上顯示出卓越的性能，解決了數據稀疏性和冷啟動問題等挑戰，同時顯著推進了推薦系統技術。
該研究通過將NCF與CF集成並將RNN與基於內容的過濾（CBF）結合來增強RS。混合模型（HRS-IU-DL）利用用戶與項目之間的互動、項目屬性和序列模式，提供準確的個性化推薦。使用Movielens數據集，該方法結合矩陣分解、餘弦相似度和TF-IDF進行特徵提取，並利用深度學習技術應對冷啟動和數據稀疏挑戰。隱私保護方法確保用戶數據的安全。該模型有效捕捉複雜的用戶行為和時間動態，提高了電子商務、娛樂和在線平台的推薦準確性和多樣性。
所提議的混合模型（HRS-IU-DL）在Movielens 100k數據集上進行了評估，按80-20比例分割為訓練和測試，並與基線模型進行比較。初步數據探索包括評分分佈和統計分析，以解決稀疏性和不平衡問題——預處理步驟包括正規化、隱私保護技術和過濾用戶和電影ID。該模型結合CF、NCF、CBF和RNN，以利用用戶與項目之間的互動和項目屬性。超參數調優提升了性能指標，實現了RMSE為0.7723、MAE為0.6018、精確度為0.8127和召回率為0.7312。在準確性和效率上超過了基線模型，展示了卓越的推薦能力。
總之，HRS-IU-DL混合模型整合了CF、CBF、NCF和RNN，通過解決數據稀疏性和冷啟動問題來提高推薦準確性。該系統通過利用用戶與項目之間的互動和項目屬性提供個性化推薦。在Movielens 100k數據集上進行的實驗突顯了其卓越的性能，實現了最低的RMSE和MAE，並提高了精確度和召回率。未來的研究將納入先進的架構，如變壓器、上下文數據，並在更大數據集上測試可擴展性。努力還將集中在提高計算效率和可擴展性以應用於現實世界。
查看論文。所有研究的榮譽歸於這個項目的研究人員。此外，不要忘記在Twitter上關注我們，並加入我們的Telegram頻道和LinkedIn小組。如果你喜歡我們的工作，你一定會喜歡我們的電子報。不要忘記加入我們的55k+機器學習SubReddit。
🎙️ 🚨 ‘大型語言模型脆弱性評估：紅隊技術的比較分析’ 閱讀完整報告（推廣）
Sana Hassan是Marktechpost的顧問實習生，並且是IIT Madras的雙學位學生，熱衷於應用技術和人工智慧來解決現實世界的挑戰。對解決實際問題有著濃厚的興趣，他為人工智慧和現實解決方案的交匯帶來了新的視角。
