أنظمة التوصية المعتمدة على الفلترة التعاونية المعززة أداؤها بنماذج تعلّم الآلة

الملخص

تتزايد الأبحاث والدراسات في أنظمة التوصية باستمرار لأهميتها في تقديم التوصيات في مختلف المجالات العلمية، التعليمية، الترفيهية وبالأخص التجارية. يوجد أنواع عديدة لأنظمة التوصية أشهرها وأكثرها استخداماً أنظمة الفلترة التعاونية (Collaborative Filtering CF). تقوم أنظمة التوصية CF بتقديم توصيات للمستخدمين الهدف من خلال إيجاد العلاقات الخطية بين التفاعلات السابقة (التقييمات) للمستخدمين مع العناصر، ولكنها تعاني من مشاكل عديدة مثل الإقلاع البارد وتبعثر المعطيات الناتج من قلة التقييمات الخاصة بالعنصر من قبل كل مستخدم. يمكن حل تلك المشاكل بتسخير معطيات جديدة غير التقييمات التي تعتمد عليها أنظمة التوصية CF فقط وذلك من خلال نماذج تعلّم الآلة (Machine Learning ML) التي يمكن من خلالها الاستفادة من جميع ميزات العناصر والمستخدمين المتوفرة في مجموعة المعطيات، إذ أنَّ معظم نماذج ML قادرة على التعلم من العلاقات الخطية وغير الخطية بين ميزات المعطيات والهدف للحصول على نتائج تنبؤية جيدة للتقييمات. في هذا البحث، سنقوم باستخدام نماذج ML لتمكين أنظمة التوصية CF من الحصول على نتائج تنبؤية أفضل للتقييمات. أظهرت نتائج الدراسة تفوق المنهجية المقترحة على كل من نتائج نماذج ML وأنظمة CF على حدا، وحققت النماذج المدمجة ذات طرق التكديس أعلى نسب تحسين، وخاصة بالنسبة للنموذج المقترح المطبق الناتج من دمج نموذج التكديس Stacking XGBoost مع نظام التحليل العاملي للمصفوفة (Matrix Factorization ALS). قمنا باستخدام مجموعة معطيات Book Crossing التي تحتوي على ميزات الكتب والمستخدمين وتقييمات الكتب التي تُعبر عن تفاعل المستخدم مع الكتب، ومقياس الأداء التنبؤي للنماذج والأنظمة المستخدمة في الدراسة هو مقياس دقة الخطأ جذر متوسط مربع الخطأ (Root Mean Square Error RMSE).