دانلود ترجمه مقاله سیستم توصیه گر مبتنی بر یادگیری عمیق

1. مقدمه 2. مروری کلی بر سیستم های توصیه گر و یادگیری عمیق 3. پیشنهاد مبتنی بر یادگیری عمیق: پیشرفت های اخیر 4. مسیرهای پژوهشی آینده و موضوعات باز 5. نتیجه گیری

با حجم رو به رشد اطلاعات آنلاین، سیستم های توصیه گر، به یک استراتژی موثر برای غلبه بر چنین اضافه بار اطلاعات تبدیل شده اند. مطلوبیت سیستم های توصیه گر را نمی توان نادیده گرفت، وقتی بکار گیری گسترده آن در تعداد زیادی وب اپلیکشین، همراه با تاثیر بالقوه در رفع بسیاری از مسائل مرتبط با اضافه انتخاب (over-choice) را مدنظر قرار دهیم. در سالهای اخیر، یادگیری عمیق، باعث توجه قابل ملاحظه به زمینه های پژوهشی بسیاری مانند بینایی کامپیوتر و پردازش زبان طبیعی شده است که این نه تنها بخاطر عملکرد درخشان، بلکه ویژگی جذاب یادگیری نمایش های ویژگی از ابتدا، می باشد. تاثیر یادگیری عمیق نیز فراگیر شده است و اخیراً اثربخشی آن هنگام کاربرد برای پژوهش های سیستم های استخراج سیستم و توصیه گر، نشان داده شده است. هدف این مقاله، ارائه یک مرور ادبی جامع از تلاش های پژوهشی اخیر در مورد سیستم های توصیه گر بر پایه یادگیری عمیق است. در همین راستا، یک رده بندی از مدل های توصیه گر بر پایه یادگیری عمیق را ارائه می دهیم و در عین حال، خلاصه ای جامع از پیشرفت ها بیان می کنیم. در آخر، جهت های پژوهشی فعلی را گسترده تر می کنیم و چشم اندازهای جدیدی در مورد این توسعه مهیج جدید در این زمینه، ارائه می دهیم. مقدمه: سیستم های توصیه گر، خط جدیدی از دفاع در برابر اضافه انتخاب مصرف کننده می باشد. با توجه به رشد انفجار گونه اطلاعات ایجاد شده در محیط وب، اغلب کاربران با مقدار بی شماری از محصولات، فیلم ها یا رستوران ها، مواجه می شوند. به این صورت، شخصی سازی یک استراتژی اساسی برای تسهیل تجربه بهتر کاربر است. در کل، این سیستم ها نقشی حیاتی و لاینفکی در سیستم های دسترسی اطلاعات مختلف برای تقویت کسب و کار و تسهیل فرآیند تصمیم گیری، ایفا می کنند [69، 121] و در حیطه ها یا دامین های وب متعدد مانند وب سایت های تجارت الکترونیک و یا چندرسانه ای، گسترش یافته اند.

With the ever-growing volume of online information, recommender systems have been an effective strategy to overcome such information overload. The utility of recommender systems cannot be overstated, given its widespread adoption in many web applications, along with its potential impact to ameliorate many problems related to over-choice. In recent years, deep learning has garnered considerable interest in many research fields such as computer vision and natural language processing, owing not only to stellar performance but also the attractive property of learning feature representations from scratch. The influence of deep learning is also pervasive, recently demonstrating its effectiveness when applied to information retrieval and recommender systems research. Evidently, the field of deep learning in recommender system is flourishing. This article aims to provide a comprehensive review of recent research efforts on deep learning based recommender systems. More concretely, we provide and devise a taxonomy of deep learning based recommendation models, along with providing a comprehensive summary of the state-of-the-art. Finally, we expand on current trends and provide new perspectives pertaining to this new exciting development of the field. INTRODUCTION: Recommender systems are an intuitive line of defense against consumer over-choice. Given the explosive growth of information available on the web, users are often greeted with more than countless products, movies or restaurants. As such, personalization is an essential strategy for facilitating a better user experience. All in all, these systems have been playing a vital and indispensable role in various information access systems to boost business and facilitate decision-making process [69, 121] and are pervasive across numerous web domains such as e-commerce and/or media websites.