شماره ركورد
25802
شماره راهنما
COM2 713
عنوان
يادگيري بازنمايي كاربر و خبر در سيستم توصيه خبري با تمركز بر تحليل شخصيتنمايه شخصيت
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي كامپيوتر - نرم افزار
دانشكده
مهندسي كامپيوتر
تاريخ دفاع
1404.10.20
صفحه شمار
127 ص.
استاد راهنما
دكتر زهرا زجاجي
كليدواژه فارسي
سيستم توصيهگر اخبار , بازنمايي كاربر , شخصيسازي , نمايه شخصيت دوگانه , علايق كوتاهمدت و بلندمدت , تركيب تطبيقي , نمايه شخصيت
چكيده فارسي
سيستمهاي توصيهگر اخبار شخصيسازيشده، ابزاري حياتي براي مقابله با حجم انبوه اطلاعات و هدايت كاربران به سمت محتواي مورد علاقهشان محسوب ميشوند. با اين حال، بسياري از مدلهاي موجود مبتني بر يادگيري عميق، در مدلسازي ماهيت پوياي علايق كاربران با محدوديت مواجه هستند و اغلب از بازنماييهاي ايستا استفاده ميكنند كه قادر به تفكيك ميان گرايشهاي گذرا و كوتاهمدت با ترجيحات پايدار و بلندمدت نيستند. اين پژوهش با هدف رفع اين كاستي و با تمركز بر نمايه شخصيت كاربر، يك چارچوب نوين يادگيري عميق براي توصيهي اخبار ارائه ميدهد كه مبتني بر يك بازنمايي كاربر پوياي دوگانه است. نوآوري اصلي اين مدل، تفكيك صريح تاريخچه مطالعاتي كاربر به دو جريان مجزا و ايجاد دو پروفايل مجزا است: نمايه شخصيت كوتاهمدت كه علايق اخير را ثبت ميكند و نمايه شخصيت بلندمدت كه نمايانگر علايق ريشهدار كاربر است. يكي از دستاوردهاي كليدي اين پژوهش، طراحي يك مكانيزم وزندهي تركيبي پيشرفته است كه اهميت موجوديتها را در هر نمايه شخصيت بر اساس تركيبي هوشمندانه از دو معيار تازگي و فراواني ميسنجد و به اين ترتيب، بازنماييهاي غني و دقيقي از علايق كاربر ايجاد ميكند. علاوه بر اين، يك مكانيزم تركيب تطبيقي مبتني بر دروازه طراحي شده است كه به صورت پويا و براي هر كاربر، ياد ميگيرد چگونه اين دو نمايه را به شكل بهينه ادغام كند. اين فرآيند منجر به توليد يك بازنمايي نهايي كاربر ميشود كه هم به نيازهاي لحظهاي و هم به علايق عميق او پاسخ ميدهد. به منظور افزايش كيفيت و پايداري بازنماييهاي آموختهشده، چارچوب پيشنهادي از يك رويكرد يادگيري چندوظيفهاي بهره ميبرد كه در آن، وظيفه كمكي پيشبيني دستهبندي خبر به همراه يادگيري تقابلي، در كنار وظيفه اصلي توصيهگري، به بهبود مدل كمك ميكنند. آزمايشهاي گسترده بر روي مجموعه داده استاندارد MINDsmall نشان داد كه مدل پيشنهادي در تمامي معيارهاي ارزيابي استاندارد عملكردي بهتر و معنادار نسبت به مدلهاي مرجع پيشرفته از خود به نمايش گذاشته است؛ بهطوريكه اين مدل به مقادير AUC برابر با 69.16، MRR برابر با 33.74، nDCG@5 برابر با 37.02 و nDCG@10 برابر با 43.56 دست يافته و در تمامي معيارها عملكردي برتر نسبت به مدلهاي مرجع از جمله PerCoNet، NAML و NRMS داشته است.
كليدواژه لاتين
News Recommendation , Recommender Systems , User Modeling , Personalization , Dual Persona , Short-Term and Long-Term Preferences , Adaptive Fusion , Hybrid Weighting , Auxiliary Learning , Deep Learning
عنوان لاتين
User and News Representation Learning in News Recommendation System by focusing on User Personna
گروه آموزشي
مهندسي نرم افزار
چكيده لاتين
Personalized news recommendation systems are critical for helping users navigate the vast volume of online content. However, existing models often struggle to capture the dynamic and multifaceted nature of user interests, typically employing static user representations that fail to differentiate between transient, short-term curiosities and stable, long-term preferences. This thesis addresses this limitation by proposing a novel deep learning framework that introduces a dynamic, dual-persona user representation. The core innovation of our model is the explicit separation of a userʹs reading history into two distinct streams: a Short-Term Persona, which captures recent interests, and a Long-Term Persona, which encodes core, stable preferences. A key contribution is our advanced Hybrid Weighting mechanism, which evaluates the significance of entities within each persona by considering both recency and frequency, ensuring a robust and meaningful representation of user interests. Furthermore, we introduce a gated adaptive fusion mechanism that learns to optimally blend these two high-quality personas in real-time for each user, creating a final user representation that is both instantly relevant and deeply personalized. To enrich the learned news and user representations and enhance model robustness, an auxiliary task of category prediction is integrated into the multi-task learning framework. Extensive experiments conducted on the benchmark MINDsmall dataset demonstrate that our proposed model significantly outperforms state-of-the-art baselines across multiple standard evaluation metrics such as AUC, MRR, and nDCG. The results validate the effectiveness of our dual-persona approach in creating a more nuanced and dynamic user model for news recommendation.
تعداد فصل ها
5
فهرست مطالب pdf
158543
نويسنده