توصیه گر موسیقی مبتنی بر یادگیری شبه ناظر برخط

امروزه یکی از کاربرد های مهم شبکه جهانی اینترنت خرید و فروش می باشد. کاربران به دلایل مختلف از قبیل تجارت، انتقال اعتبار، خرید مایحتاج زندگی و یا تفریح ممکن است از این بستر استفاده نمایند. در بخش تفریحی، روزانه میلیون ها دلار فیلم، موسیقی و یا عکس در وب سایت های مختلف به فروش می رسد. معمولا مشتریان با جستجو در این وب سایت ها کالاهای مورد نظر خود را یافته و خریداری می نمایند. به تازگی این وب سایت ها جهت ایجاد راحتی بیشتر برای کاربر و به طبع آن افزایش فروش خود به ایجاد سیستم هایی روی آورده اند که بتوانند کالاهایی که احتمال بیشتری دارد که کاربر آن ها را خریداری نماید را بر اساس شواهد موجود در مورد نظرات و یا علایق کاربر مشخص نموده و به کاربر پیشنهاد دهند. به چنین سیستم هایی سیستم های توصیه گر گفته می شود. تاکنون برای تشخیص اولویت های کاربر در سیستم های توصیه گر موسیقی، از طبقه بند های متعددی از قبیل شبکه های بیزین، شبکه های rbf و بردار های پشتیبان استفاده شده و نتایج مناسبی نیز گزارش گردیده است. اما جهت آموزش این طبقه بند ها، باید کلی? داده ها برچسب داشته باشند. به عبارت دیگر کاربر باید کلی? آهنگ های موجود در مجموع? یادگیر را شنیده و نظر خود را اعلام نماید. علاوه بر آن، مسئله ای که تاکنون کمتر مورد توجه قرار گرفته است آن است که نظر و اولویت های کاربر بر اساس حالت و وضعیت روانی او (از قبیل عصبانیت، شادی و یا غم) تغییر می نماید و لازم است که سیستم خود را با این تغییرات وفق دهد. اما طبقه بندهای پیشنهاد شده تاکنون، قابلیت تغییر مفهوم را پشتیبانی نمی نمایند و با تغییر نظر کاربر باید مجدداً آموزش ببینند. اگرچه استفاده از طبقه بندهای برخط می تواند تا حدودی مشکل را حل نمایند، اما به علت نیاز به زمان برای همگرا شدن و همچنین نیاز به برچسب گذاری مجدد کلیه داده ها (براساس نظرات جدید کاربر)، عملاً نمی توان از آن ها استفاده نمود. در این پایان نامه برآنیم که سیستم توصیه گر موسیقی برای انتخاب آهنگ های مورد علاق? کاربر براساس تعدادی از آهنگ های مورد علاق? قبلی او طراحی نماییم که علاوه بر آنکه تغییر مفهوم را پشتیبانی کند، نیاز به آموزش مجدد (که هزین? زیادی دارد) نداشته باشد. همچنین بتواند با تعداد داده های برچسب دار کمی آموزش داده شود. در نهایت دقت الگوریتم ارائه شده را بر روی تعدادی از مجموعه داده های uci و همچنین مجموعه داد? واقعی music recommendation توسط تعدادی از متداول ترین معیار های یادگیری ماشین شامل: f-measure، precision، recall و robustness analysis بررسی و دقت بدست آمده را با الگوریتم های رقیب که برای حل هر زیر مشکل ارائه گردیده اند مقایسه خواهیم نمود.