Sistema Multimodal de Recomendação de Filmes Usando Aprendizado Profundo

Sistemas de recomendação, a melhor forma de lidar com sobrecarga de informação, são amplamente utilizados para fornecer aos usuários conteúdo e serviços personalizados com alta eficiência. Muitos algoritmos de recomendação foram pesquisados e amplamente implantados em várias aplicações de comércio eletrônico, incluindo serviços de streaming de filmes na última década. No entanto, problemas de início frio com dados esparsos são frequentemente encontrados em muitos sistemas de recomendação de filmes. Neste artigo, relatamos um sistema personalizado multimodal de recomendação de filmes baseado na análise de dados multimodais e aprendizado profundo. Os conjuntos de dados reais do MovieLens foram selecionados para testar a eficácia do nosso novo algoritmo de recomendação. Com as informações de entrada, as características ocultas dos filmes e dos usuários foram extraídas usando aprendizado profundo para construir um modelo de algoritmo de rede de aprendizado profundo para treinamento e posterior previsão das pontuações dos filmes. Com uma taxa de aprendizado de 0,001, as pontuações do erro quadrático médio raiz (RMSE) alcançaram 0,9908 e 0,9096 para os conjuntos de teste dos datasets MovieLens 100 K e 1 M, respectivamente. Os resultados da previsão da pontuação mostram precisão aprimorada após a incorporação das características potenciais e conexões nos dados multimodais com tecnologia de aprendizado profundo. Comparado com os algoritmos tradicionais de filtragem colaborativa, como filtragem colaborativa baseada em usuário (User-CF), filtragem baseada em conteúdo item-centrada (Item-CF) e abordagens de decomposição em valores singulares (SVD), o sistema multimodal de recomendação de filmes usando aprendizado profundo pode fornecer melhores resultados de recomendação personalizados. Enquanto isso, o problema de dados esparsos foi atenuado até certo ponto. Sugerimos que o sistema de recomendação pode ser aprimorado por meio da combinação da tecnologia de aprendizado profundo e da análise de dados multimodais.