Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
Deep hybrid restaurant recommender system in Thailand
Year (A.D.)
2021
Document Type
Thesis
First Advisor
บุญเสริม กิจศิริกุล
Faculty/College
Faculty of Engineering (คณะวิศวกรรมศาสตร์)
Department (if any)
Department of Computer Engineering (ภาควิชาวิศวกรรมคอมพิวเตอร์)
Degree Name
วิทยาศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
วิทยาศาสตร์คอมพิวเตอร์
DOI
10.58837/CHULA.THE.2021.858
Abstract
ในยุคที่ข้อมูลมากมายมหาศาล ระบบผู้แนะนำมีบทบาทสำคัญอย่างมากตราบใดที่ผู้บริโภคยังคงมีความต้องการใช้ข้อมูลและส่งข้อมูลมากขึ้น ธุรกิจจำนวนมากได้ใช้ระบบผู้แนะนำเพื่อเป็นตัวช่วยให้แก่ผู้ใช้ได้ทำการค้นหาสินค้าหรือรายการโดยอ้างอิงจากข้อมูลการบริโภคของผู้ใช้ที่ผ่านมา โครงข่ายประสาทเชิงลึกได้แสดงให้เห็นผลลัพธ์ที่น่าสนใจในหลากหลายสาขาวิชา รวมถึงระบบผู้แนะนำในช่วงไม่กี่ปีที่ผ่านมา อย่างไรก็ตาม การศึกษาดังกล่าวได้ละเว้นการใช้ข้อมูลเสริมในแบบจำลอง ดังนั้น ในงานวิจัยนี้จึงนำเสนอระบบการแนะนำเชิงลึกด้วยโครงข่ายประสาท ซึ่งประกอบด้วยการกรองการทำงานร่วมกันเชิงลึกเพื่อเรียนรู้ปัจจัยแฝงของการโต้ตอบของผู้ใช้และสินค้า และเพิ่มประสิทธิภาพของแบบจำลองด้วยข้อมูลคุณลักษณะของสินค้าโดยใช้เพอร์เซปตรอนแบบหลายชั้น และรวมทั้งสองแบบจำลองนี้เข้าด้วยกัน เรียกว่า แบบจำลอง DNNRecs นอกเหนือจากโครงสร้างของแบบจำลองแล้ว ยังได้มีการนำเสนอวิธีการทำวิศวกรรมคุณลักษณะเพื่อสร้างคุณลักษณะใหม่จากข้อความวิจารณ์โดยใช้เทคนิค tf-idf งานวิจัยนี้ได้ใช้ชุดข้อมูลที่เกิดขึ้นจริงในประเทศไทยและแสดงให้เห็นถึงประสิทธิภาพของแบบจำลองที่นำเสนอ
Other Abstract (Other language abstract of ETD)
In the age of flooded information, Recommender Systems play a crucial role as long as consumers consume more content and submit more data. Many businesses have implemented Recommender Systems to assist users find items based on their previous interactions. Deep neural networks have demonstrated promising results in a variety of disciplines, including recommendation systems in the past few years. However, such studies ignore auxiliary information input. In this work, we propose a deep recommendation system with neural networks that consists of deep collaborative filtering to learn user and item interaction latent factor and multi-layer perceptrons to enrich the performance with textual information and combines these two sub-models, called DNNRecs. Apart from our model framework, we also contribute a feature engineering method to create new features from review text by using technique tf-idf. Extensive experiments on one real-life dataset in Thailand demonstrate the effectiveness of the proposed model.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
แซ่ลิ้ม, อภิสรา, "ระบบแนะนําร้านอาหารในประเทศไทยแบบผสมด้วยการเรียนรู้เชิงลึก" (2021). Chulalongkorn University Theses and Dissertations (Chula ETD). 5400.
https://digital.car.chula.ac.th/chulaetd/5400