
سعید کاظمی
سیستم توصیه گر مشارکتی تقویت شده با هوش مصنوعی تفسیر پذیر حوزه مد
- دانشجو
- سعید کاظمی
- استاد راهنما
- محمدتقی تقوی فرد
- استاد مشاور
- ایمان رئیسی وانانی
- استاد داور
- محمدرضا تقوا
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۲۸ شهریور ۱۴۰۳
- ساعت دفاع
- چکیده
-
در دنیای امروز، نیاز به سیستمهای توصیهگر نوآورانه با دقت بالا که بتوانند نیازها و سلایق فردی را به طور دقیق درک کنند، بیش از هر زمان دیگری احساس میشود، این امر به ویژه در حوزه مد که سلایق افراد به شدت تحت تاثیر نظرات دیگران قرار میگیرد، از اهمیت بالایی برخوردار است. در این راستا، تحلیل احساسات و درک نظرات کاربران میتواند به ارائه توصیههای دقیقتر و مرتبطتر به آنها کمک کند. علاوه بر دقت بالا، شفافیت و تفسیرپذیری سیستمهای مبتنی بر هوش مصنوعی نیز یک نیاز نو ظهور برای ذی نفعان است تا آنها بتوانند درک کنند که تصمیمات مبتنی بر هوش مصنوعی چگونه کار میکنند و چرا نتایج خاصی را ارائه میدهند. این پژوهش با هدف ارائه راهحلی نوآورانه برای چالشهای موجود در پیشنهاددهی حوزه مد، بر دو رکن اصلی دقت بالا و تفسیرپذیری استوار است. بدین منظور پژوهش حاضر، با بهره گیری از روش علم طراحی به دنبال ارائه سیستمی است که بتواند راه حلی برای چالشهای مذکور در حوزه مد، ارائه دهد. در گام اول، بهترین مدل برای طبقهبندی احساسات نظرات کاربران با استفاده از روشهای یادگیری ماشین و یادگیری عمیق انتخاب شد. مدل رگرسیون لجستیک با دقت ۸۹ درصد موفق به تشخیص نظرات مثبت و غیرمثبت شد. سپس، با استفاده از چندین روش هوش مصنوعی تفسیرپذیر، چرایی طبقهبندی نظرات به مثبت و غیرمثبت به طور شفاف برای کاربران تفسیر و ارائه شد. در گام دوم، با استفاده از روشهای مختلف پالایش مشارکتی و هم چنین نظرات کاربران، مدل پالایش مشارکتی مبتنی بر شبکه عصبی، با دقت ۸۴ درصد بهترین مدل برای ساخت سیستم توصیهگر، بر اساس مجموعه داده مد آمازون انتخاب شد. یافتههای این پژوهش نشان میدهد که با تلفیق روشهای یادگیری ماشین، یادگیری عمیق و هوش مصنوعی تفسیرپذیر میتوان سیستمهای توصیهگر نوآورانهای با دقت بالا و شفافیت مطلوب در حوزه مد طراحی و پیادهسازی کرد. این امر میتواند به ارتقای تجربه کاربران و افزایش رضایت آنها از خدمات ارائه شده در این حوزه کمک شایانی کند.
کلید واژه ها: تحلیل احساسات، سیستم توصیهگر، شفافیت، طبقه بندی، علم طراحی، مد، هوش مصنوعی تفسیرپذیر، یادگیری ماشین، یادگیری عمیق
- Abstract
-
در دنیای امروز، نیاز به سیستمهای توصیهگر نوآورانه با دقت بالا که بتوانند نیازها و سلایق فردی را به طور دقیق درک کنند، بیش از هر زمان دیگری احساس میشود، این امر به ویژه در حوزه مد که سلایق افراد به شدت تحت تاثیر نظرات دیگران قرار میگیرد، از اهمیت بالایی برخوردار است. در این راستا، تحلیل احساسات و درک نظرات کاربران میتواند به ارائه توصیههای دقیقتر و مرتبطتر به آنها کمک کند. علاوه بر دقت بالا، شفافیت و تفسیرپذیری سیستمهای مبتنی بر هوش مصنوعی نیز یک نیاز نو ظهور برای ذی نفعان است تا آنها بتوانند درک کنند که تصمیمات مبتنی بر هوش مصنوعی چگونه کار میکنند و چرا نتایج خاصی را ارائه میدهند. این پژوهش با هدف ارائه راهحلی نوآورانه برای چالشهای موجود در پیشنهاددهی حوزه مد، بر دو رکن اصلی دقت بالا و تفسیرپذیری استوار است. بدین منظور پژوهش حاضر، با بهره گیری از روش علم طراحی به دنبال ارائه سیستمی است که بتواند راه حلی برای چالشهای مذکور در حوزه مد، ارائه دهد. در گام اول، بهترین مدل برای طبقهبندی احساسات نظرات کاربران با استفاده از روشهای یادگیری ماشین و یادگیری عمیق انتخاب شد. مدل رگرسیون لجستیک با دقت ۸۹ درصد موفق به تشخیص نظرات مثبت و غیرمثبت شد. سپس، با استفاده از چندین روش هوش مصنوعی تفسیرپذیر، چرایی طبقهبندی نظرات به مثبت و غیرمثبت به طور شفاف برای کاربران تفسیر و ارائه شد. در گام دوم، با استفاده از روشهای مختلف پالایش مشارکتی و هم چنین نظرات کاربران، مدل پالایش مشارکتی مبتنی بر شبکه عصبی، با دقت ۸۴ درصد بهترین مدل برای ساخت سیستم توصیهگر، بر اساس مجموعه داده مد آمازون انتخاب شد. یافتههای این پژوهش نشان میدهد که با تلفیق روشهای یادگیری ماشین، یادگیری عمیق و هوش مصنوعی تفسیرپذیر میتوان سیستمهای توصیهگر نوآورانهای با دقت بالا و شفافیت مطلوب در حوزه مد طراحی و پیادهسازی کرد. این امر میتواند به ارتقای تجربه کاربران و افزایش رضایت آنها از خدمات ارائه شده در این حوزه کمک شایانی کند.
کلید واژه ها: تحلیل احساسات، سیستم توصیهگر، شفافیت، طبقه بندی، علم طراحی، مد، هوش مصنوعی تفسیرپذیر، یادگیری ماشین، یادگیری عمیق