Les services de recommandation deviennent un sujet de recherche critique et brûlant pour les chercheurs.Un agent de recommandation qui suggère automatiquement des produits aux utilisateurs en fonction de leurs goûts ou de leurs préférences au lieu d'errer dans un énorme corpus pour un produit.Les données sociales telles que les avis jouent un rôle important dans la recommandation de produits.L' amélioration a été réalisée par des méthodes de réseau neuronal pour capturer les informations sur les utilisateurs et les produits à partir d'un texte court.Toutefois, de telles approches n'intègrent pas équitablement et efficacement les préférences des utilisateurs et les caractéristiques des produits.Nous proposons le nouveau filtrage collaboratif neuronal hybride (HNCF) modèle qui combine des capacités d'apprentissage approfondi et une modélisation d'interaction approfondie pour les systèmes de recommandation avec une matrice de notation. Pour surmonter le problème du démarrage à froid, nous utilisons la nouvelle notation globale en agrégeant la notation multivariée MR (votes, j'aime, étoiles et scores de sentiment des critiques) à partir de différentes sources de données externes, car différents sites ont des scores de notation différents pour le même produit. Le nouveau modèle proposé se compose de quatre modules principaux HUAPA-DCF +NSC+MR (attention hiérarchique de l'utilisateur et attention hiérarchique du produit, filtrage collaboratif approfondi, classificateur de sentiment neuronal, et évaluation multivariante) pour résoudre les problèmes abordés. Initialement, le module HUAPA est basé sur l'attention hiérarchique de l'utilisateur (HUA) et l'attention hiérarchique du produit (HPA) de BiLSTM pour intégrer les préférences de l'utilisateur et les caractéristiques du produit respectivement. En outre, il s'agit de représentations non linéaires combinées et alimentées en entrée dans le module d'interaction. Deuxièmement, le module de filtrage collaboratif approfondi est mis en œuvre pour trouver l'interaction explicite entre l'utilisateur et le produit. Troisièmement, le module NSC extraira la sémantique de l'utilisateur sur les produits en incorporant les préférences de l'utilisateur et les caractéristiques du produit. Enfin, le module utilise des informations explicites (évaluation multivariante) dans toute la mesure du possible pour la classification finale. Résultats expérimentaux démontrant que notre nouveau modèle est plus performant que les ensembles de données de pointe chez IMDb, Yelp2013 et Yelp2014 pour la véritable recommandation de produits haut de gamme en utilisant HNCF (HUAPA +DCF + NSC+MR) pour augmenter la précision, la confiance et la confiance sur les services de recommandation.

Los servicios de recomendación se convierten en un tema de investigación crítico y candente para los investigadores. Un agente de recomendación que sugiere automáticamente productos a los usuarios de acuerdo con sus gustos o preferencias en lugar de deambular en un enorme corpus para un producto. Los datos sociales como las revisiones juegan un papel importante en la recomendación de productos. La mejora se logró mediante métodos de redes neuronales para capturar información del usuario y del producto a partir de un texto corto. Sin embargo, tales enfoques no incorporan de manera justa y eficiente las preferencias y características del producto de los usuarios. Proponemos el nuevo filtrado colaborativo neuronal híbrido (HNCF) modelo que combina capacidades de aprendizaje profundo y modelado de interacción profunda para sistemas de recomendación con una matriz de calificación. Para superar el problema de arranque en frío, utilizamos la nueva calificación general agregando la calificación multivariante MR (votos, me gusta, estrellas y puntuaciones de opiniones) de diferentes fuentes de datos externas porque diferentes sitios tienen diferentes puntuaciones de calificación sobre el mismo producto. El modelo novedoso propuesto consta de cuatro módulos principales HUAPA-DCF +NSC+MR (atención jerárquica del usuario y atención jerárquica del producto, filtrado colaborativo profundo, clasificador de sentimientos neuronales y calificación multivariante) para resolver los problemas abordados. Inicialmente, el módulo HUAPA se basa en la atención jerárquica del usuario (HUA) y la atención jerárquica del producto (HPA) de BiLSTM para incorporar las preferencias del usuario y las características del producto respectivamente. Además, estas son representaciones no lineales combinadas y se alimentan como entrada al módulo de interacción. En segundo lugar, el módulo de filtrado colaborativo profundo se implementa para encontrar la interacción explícita entre el usuario y el producto. En tercer lugar, el módulo NSC extraerá la semántica del usuario sobre los productos mediante la incorporación de las preferencias del usuario y las características del producto. Finalmente, el módulo utiliza información explícita (calificación multivariante) en la medida máxima para la clasificación final. Los resultados experimentales demuestran que nuestro nuevo modelo es superior al estado de la técnica en IMDb, Yelp2013 y Yelp2014 conjuntos de datos para la verdadera recomendación de los mejores productos utilizando HNCF (HUAPA +DCF + NSC+MR) para aumentar la precisión, la confianza y la confianza en los servicios de recomendación.

Recommendation services become a critical and hot research topic for researchers.A recommendation agent that automatically suggests products to users according to their tastes or preferences instead of wandering in a huge corpus for a product.Social data such as Reviews play an important role in the recommendation of products.Improvement was achieved by neural network methods for capturing user and product information from a short text.However, such approaches do not fairly and efficiently incorporate users' preferences and product characteristics.We are proposing the novel Hybrid Neural Collaborative Filtering (HNCF) model that combines deep learning capabilities and deep interaction modelling for recommender systems with a rating matrix.To overcome the cold start problem, we use the new overall rating by aggregating the multivariate rating MR (votes, likes, stars and sentiment scores of reviews) from different external data sources because different sites have different rating scores about the same product.The propose novel model consists of four major modules HUAPA-DCF+NSC+MR (Hierarchical User Attention and Hierarchical Product Attention, Deep Collaborative Filtering, Neural Sentiment Classifier, and multivariant rating) to solve the addressed problems.Initially, the HUAPA module is based on BiLSTM's hierarchical user attention (HUA) and hierarchical product attention (HPA) to embed the user preferences and product characteristics respectively.Further, these are combined nonlinear representations and fed as input to the interaction module.Secondly, the deep collaborative filtering module is implemented to find the explicit interaction between user and product.Thirdly, NSC module will extract the user's semantic about products by incorporating the user's preferences and product characteristics.Finally, the module uses explicit information (multivariant rating) to the maximum extent for final classification.Experimental results demonstration that our novel model is outperforming than state-of-the-art at IMDb, Yelp2013 and Yelp2014 datasets for the true recommendation of top-n products using HNCF (HUAPA+DCF+NSC+MR) to increase the accuracy, confidence, and trust on recommendation services.

تصبح خدمات التوصية موضوعًا بحثيًا مهمًا وساخنًا للباحثين. وكيل توصية يقترح تلقائيًا المنتجات للمستخدمين وفقًا لأذواقهم أو تفضيلاتهم بدلاً من التجول في مجموعة ضخمة من المنتجات. تلعب البيانات الاجتماعية مثل المراجعات دورًا مهمًا في التوصية بالمنتجات. تم تحقيق التحسين من خلال طرق الشبكة العصبية لالتقاط معلومات المستخدم والمنتج من نص قصير. ومع ذلك، فإن هذه الأساليب لا تدمج تفضيلات المستخدمين وخصائص المنتج بشكل عادل وفعال. نقترح التصفية التعاونية العصبية الهجينة (HNCF) الجديدة نموذج يجمع بين قدرات التعلم العميق ونمذجة التفاعل العميق لأنظمة التوصية مع مصفوفة التصنيف. للتغلب على مشكلة البداية الباردة، نستخدم التقييم العام الجديد من خلال تجميع تصنيف MR متعدد المتغيرات (الأصوات والإعجابات والنجوم ودرجات المشاعر من المراجعات) من مصادر بيانات خارجية مختلفة لأن المواقع المختلفة لها درجات تصنيف مختلفة حول نفس المنتج. يتكون النموذج الجديد المقترح من أربع وحدات رئيسية HUAPA - DCF +NSC+MR (انتباه المستخدم الهرمي وانتباه المنتج الهرمي، والتصفية التعاونية العميقة، ومصنف المشاعر العصبية، و تصنيف متعدد المتغيرات) لحل المشكلات التي تم تناولها. في البداية، تستند وحدة HUAPA إلى اهتمام المستخدم الهرمي لـ BiLSTM (HUA) واهتمام المنتج الهرمي (HPA) لتضمين تفضيلات المستخدم وخصائص المنتج على التوالي. علاوة على ذلك، يتم دمج هذه التمثيلات غير الخطية وتغذيتها كمدخلات لوحدة التفاعل. ثانيًا، يتم تنفيذ وحدة التصفية التعاونية العميقة للعثور على التفاعل الصريح بين المستخدم والمنتج. ثالثًا، ستقوم وحدة NSC باستخراج دلالة المستخدم حول المنتجات من خلال دمج تفضيلات المستخدم وخصائص المنتج. أخيرًا، تستخدم الوحدة معلومات صريحة (تصنيف متعدد المتغيرات) إلى أقصى حد للتصنيف النهائي. عرض النتائج التجريبية أن نموذجنا الجديد أفضل أداءً من أحدث ما توصلت إليه IMDb و Yelp2013 و Yelp2014 مجموعات البيانات للتوصية الحقيقية لأفضل المنتجات باستخدام HNCF (HUAPA +DCF + NSC+MR) لزيادة الدقة والثقة والثقة والتوصية بالخدمات.