یکی از چالشهای بزرگ در سیستمهای توصیهگر (Recommendation Systems)، «اثر متیو» (Matthew Effect) است؛ جایی که آیتمهای محبوب همیشه بیشتر دیده میشوند و آیتمهای کمتر شناختهشده به دست فراموشی سپرده میشوند.
محققان در مقاله جدیدی، مدل HyCoRec را معرفی کردهاند که با استفاده از یادگیریِ چندجانبه (شامل تحلیل کلمات، بررسی موجودیتها، دانش و نظرات کاربران) در سیستمهای توصیهگرِ گفتگومحور، این تبعیض را به حداقل میرساند و پیشنهادهای دقیقتری ارائه میدهد.
اگر در حوزه سیستمهای توصیهگر فعالیت میکنید، بررسی این متد و کدهای آن در گیتهاب میتواند ایده بسیار جذابی برای پروژههای آینده شما باشد.
🔗 لینک پروژه: https://github.com/zysensmile/HyCoRec
گر
منبع: arXiv AI