Newpixie: روش جدید مبتنی بر استفاده از قوانین وابستگی قوی برای سیستم توصیه‌گر Pixie

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه هوش مصنوعی، دانشکده برق و کامپیوتر،دانشگاه کاشان،ایران

2 گروه هوش مصنوعی،دانشکده برق و کامپیوتر،دانشگاه کاشان،ایران

چکیده

در دهه‌های اخیر، با پیشرفت فناوری اطلاعات و ارتباطات، نیاز به ساماندهی و بهینه‌سازی فرآیندهای اطلاعاتی و ارتباطی بین افراد و منابع مختلف، بیش از پیش اهمیت یافته است و یکی از روش‌های کارآمد در این زمینه، استفاده از سیستم‌های توصیه‌گر است. این سیستم‌ها می‌توانند به صورت برون‌خط و با آماده کردن لیستی از بهترین توصیه‌ها یا به صورت برخط و بلادرنگ در بهبود تجربه کاربری نقش مهمی را ایفا کنند. از جمله چالش‌های سیستم‌های توصیه‌گر، برقراری تعادل بین سرعت ارائه توصیه‌ها و کیفیت آن‌هاست. این مقاله، با ترکیب پردازش برون‌خط و برخط، به بررسی و ساخت الگوریتمی توصیه‌گر به نام Newpixie می‌پردازد که به دنبال ارائه توصیه‌هایی بر اساس علاقمندی‌های مشترک بین کاربران است؛ در Newpixie، از گرافی مقیاس‌پذیر و دوبخشی متشکل از پین‌ها و بوردها که شامل تعدادی از پین‌های مرتبط به هم در یک موضوع خاص هستند، استفاده می‌شود. در فاز برون‌خط این الگوریتم، با استفاده از قوانین وابستگی موجود در داده‌کاوی، ارتباطات قوی بین پین‌ها استخراج شده و بصورت یال مجازی در گراف اعمال می‌شوند. در فاز برخط نیز با قدم‌زنی تصادفی سوگیرانه نسبت به پیوند قوی بین جفت آیتم‌های موجود در بوردها، توصیه‌هایی مناسب برای کاربران فراهم خواهد شد. نتایج این الگوریتم بر مبنای سه معیار ارزیابی، با روش پایه pixie مقایسه شده ‌است. آزمایش‌ها نشان داده ‌است که در الگوریتم Newpixie، سرعت ارائه توصیه‌‌ها تقریباً 17% ، کیفیت توصیه‌ها نیز تقریباً 34% و معیار ارزیابی recall@k در پیش‌بینی پیوند، تقریباً 20% نسبت به روش پایه pixie، بهبود یافته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Newpixie: A new method based on the use of strong dependency rules for Pixie recommender system

نویسندگان [English]

  • Nima Alinia 1
  • sajjad rahati 2
  • Zeinab Jafari Tadi 2
  • Masoud Jang Zargari 2
  • Seyed Mehdi vahidipour 2
1 Department of Artificial Intelligence . Faculty of Electricity and Computer . Kashan University . Iran
2 Department of Artificial Intelligence,Faculty of Electricity and Computer.Kashan University.Iran
چکیده [English]

In recent decades, with the advancement of information and communication technology, the need for organizing and optimizing informational and communicational processes among individuals and various resources has gained increased importance. One effective approach in this field is the use of recommender systems. These systems can significantly enhance user experience either offline, by preparing a list of the best recommendations, or online, in real-time. One of the challenges of recommender systems is achieving a balance between the speed of delivering recommendations and their quality. This paper presents the development and evaluation of a recommender algorithm named "Newpixie," which aims to provide recommendations based on common interests among users. The Newpixie algorithm utilizes a scalable, bipartite graph comprising pins and boards, where each board contains a number of related pins on a specific topic. In the offline phase of the algorithm, strong associations between pins are extracted using association rules in data mining and applied as virtual edges in the graph. In the online phase, biased random walks on the strong links between pairs of items within the boards are employed to generate suitable recommendations for users. The performance of the Newpixie algorithm is evaluated against the baseline pixie method based on three evaluation metrics. Experimental results indicate that the Newpixie algorithm improves recommendation speed by approximately 17%, recommendation quality by about 34%, and the recall@k metric in link prediction by roughly 20% compared to the baseline pixie method.

کلیدواژه‌ها [English]

  • recommendation system
  • Pinterest
  • bipartite graph
  • pin
  • board