THIẾT KẾ KHUNG AUTOREC TỔNG QUÁT CHO HỆ THỐNG GỢI Ý
DOI:
https://doi.org/10.59266/houjs.2025.709Từ khóa:
hệ thống gợi ý, học sâu, mạng tự mã hóa, thông tin dựa trên nội dung, dữ liệu thưaTóm tắt
Trong những năm gần đây, các hệ thống gợi ý dựa trên lọc cộng tác sử dụng mạng nơ-ron đã đạt được nhiều bước tiến đáng kể trong việc cung cấp các đề xuất cá nhân hóa cho người dùng. Mô hình CI-Autorec cho phép sử dụng thông tin dựa trên nội dung, góp phần nâng cao hiệu quả của hệ thống. Trong khi đó, Sparse Autoencoder đã chứng minh được khả năng tổng hợp và giảm thiểu chi phí tính toán mà vẫn đảm bảo chất lượng kết quả. Bài báo này đề xuất một mô hình kết hợp, tận dụng khả năng khai thác thông tin nội dung của CI-Autorec và sử dụng các đơn vị kích hoạt của Sparse Autoencoder để dự đoán đánh giá của người dùng. Kết quả thực nghiệm cho thấy hệ thống gợi ý đề xuất vượt trội hơn so với các mô hình kết hợp hiện có cả về độ chính xác lẫn hiệu suất.
Tài liệu tham khảo
[1]. A. Ng et al., “Sparse autoencoder,” CS294A Lecture notes, vol. 72, no. 2011, pp. 1-19, 2011.
[2]. B. D. Son, N. T. Hoa, T. V. Chien, W. Khalid, M. A. Ferrag, W. Choi, and M. Debbah, “Adversarial attacks and defenses in 6g network-assisted iot systems,” IEEE Internet of Things Journal, 2024, vol. 11, no. 11, pp. 19 168-19 187.
[3]. D. Kotkov, A. Medlar, A. Maslov, U. R. Satyal, M. Neovius, and D. Glowacka, “The tag genome dataset for books,” in Proceedings of the 2022 Conference on Human Information Interaction and Retrieval, 2022, pp. 353-357.
[4]. F. M. Harper and J. A. Konstan, “The movielens datasets: History and context,” Acm transactions on interactive intelligent systems (tiis), 2016, vol. 5, no. 4, p. 19.
[5]. G. E. Hinton and R. R. Salakhutdinov, “Reducing the dimensionality of data with neural networks,” science, 2006, vol. 313, no. 5786, pp. 504-507.
[6]. G. Guo, J. Zhang, and D. Thalmann, “Merging trust in collaborative filtering to alleviate data sparsity and cold start,” Knowledge-Based Systems, 2014,vol. 57, pp. 57-68.
[7]. J. Niu, L. Wang, X. Liu, and S. Yu, “Fuir: Fusing user and item information to deal with data sparsity by using side information in recommendation systems,” Journal of Network and Computer Applications, 2016, vol. 70, pp. 41-50.
[8]. K. Hornik, M. Stinchcombe, and H. White, “Multilayer feedforward networks are universal approximators,” Neural networks, 1989, vol. 2, no. 5, pp. 359-366.
[9]. N. Duong Tan, T. A. Vuong, D. M. Nguyen, and Q. H. Dang, “Utilizing an autoencoder-generated item representation in hybrid recommendation system,” IEEE Access, 2020, vol. PP, pp. 1-1.
[10]. N. Duong Tan, T. Pham, T. Do, T. Dinh, and M. Tran, “A generalized autorec framework applying content-based information for resolving data sparsity problem,” 12 2023, pp. 181-188.
[11]. N. Idrissi and A. Zellou, “A systematic literature review of sparsity issues in recommender systems,” Social Network Analysis and Mining, 2020, vol. 10, no. 1, pp. 1-23.
[12]. N. T. Hoa, D. Van Dai, L. H. Lan, N. C. Luong, D. Van Le, and D. Niyato, “Deep reinforcement learning for multi-hop offloading in uavassisted edge computing,” IEEE Transactions on Vehicular Technology, 2023, vol. 72, no. 12, pp. 16 917-16 922.
[13]. M. Ranjbar, P. Moradi, M. Azami, and M. Jalili, “An imputation-based matrix factorization method for improving accuracy of collaborative filtering systems,” Engineering Applications of Artificial Intelligence, 2015, vol. 46, pp. 58-66.
[14]. S. Rendle, “Factorization machines,” in 2010 IEEE International Conference on Data Mining. IEEE, 2010, pp. 995-1000.
[15]. S. Sedhain, A. K. Menon, S. Sanner, and L. Xie, “Autorec: Autoencoders meet collaborative filtering,” in Proceedings of the 24th International Conference on World Wide Web. ACM, 2015, pp. 111-112.
[16]. S. Zhang, L. Yao, X. Xu, S. Wang, and L. Zhu, “Hybrid collaborative recommendation via semi- autoencoder,” 2017.
[17]. T. N. Duong, T. N. Cao, T. G. Do, T. D. Mai, and M. H. Tran, “A scalable recommendation system with hybrid similarity matrix using accelerated particle swarm optimization,” in 2023 International Conference on Advanced Technologies for Communications (ATC), 2023, pp. 480-487.
[18]. T. N. Duong, T. G. Do, T. N. Cao, and M. H. Tran, “User-item correlation in hybrid neighborhood- based recommendation system with synthetic user data,” in 2022 IEEE Ninth International Conference on Communications and Electronics (ICCE). IEEE, 2022, pp. 176-181.
[19]. T. N. Duong, V. D. Than, T. H. Tran, T. H.
A. Pham, H. N. Tran et al., “A practical solution to the acm recsys challenge 2018,” in 2018 5th NAFOSTED Conference on Information and Computer Science (NICS). IEEE, 2018, pp. 341-343.
[20]. T. N. Duong, V. D. Than, T. A. Vuong, T. H. Tran, Q. H. Dang, D. M. Nguyen, and H. M. Pham, “A novel hybrid recommendation system integrating content-based and rating information,” in International Conference on Network-Based Information Systems. Springer, 2019, pp. 325-337.
[21]. X. He, L. Liao, H. Zhang, L. Nie, X. Hu, and T.-S. Chua, “Neural collaborative filtering,” in Proceedings of the 26th international conference on world wide web. International World Wide Web Conferences Steering Committee, 2017, pp. 173-182.
[22]. X. He and T.-S. Chua, “Neural factorization machines for sparse predictive analytics,” in Proceedings of the 40th International ACM SIGIR conference on Research and Development in Information Retrieval, 2017, pp. 355-364.
[23]. X. Su and T. M. Khoshgoftaar, “A survey of collaborative filtering techniques,” Advances in artificial intelligence, 2009, vol. 2009,.
[24]. Y. Ouyang, W. Liu, W. Rong, and Z. Xiong, “Autoencoder-based collaborative filtering,” in International Conference on Neural Information Processing. Springer, 2014, pp. 284-291.
