MaurizioFD/RecSys2019_DeepLearning_Evaluation
این پروژه به بررسی و ارزیابی روش‌های یادگیری عمیق در سیستم‌های توصیه‌گر می‌پردازد و نشان می‌دهد که آیا پیشرفت واقعی در این حوزه اتفاق افتاده یا خیر.
کاربرد:
این مخزن به منظور تحلیل و مقایسه مدل‌های پیشنهادی در سیستم‌های توصیه‌گر بر اساس داده‌های واقعی و معیارهای استاندارد طراحی شده است. همچنین به بررسی اثر تنظیم هیپرپارامترها و روش‌های ارزیابی می‌پردازد تا مشخص شود آیا بهبودهای گزارش‌شده واقعی هستند یا خیر.
در چه شرایطی بهتره استفاده شود؟
وقتی می‌خواهید مدل‌های جدید توصیه‌گر را به صورت عینی و با روش‌های استاندارد ارزیابی کنید، یا اگر قصد دارید ادعاهای مربوط به برتری مدل‌های یادگیری عمیق را مورد بررسی قرار دهید، این پروژه بسیار مفید است. همچنین برای پژوهشگرانی که به دنبال درک بهتر از چالش‌های واقعی در ارزیابی سیستم‌های توصیه‌گر هستند، مناسب است.
چند مثال از موارد استفاده:
- مقایسه عملکرد مدل‌های جدید با روش‌های پایه (مثل MF و Popularity)
- ارزیابی تأثیر تنظیم دقیق هیپرپارامترها بر نتایج
- استفاده از داده‌ست‌های استاندارد مثل MovieLens و Yelp برای تست مدل‌ها
- تحلیل اینکه آیا بهبودهای گزارش‌شده در مقالات واقعی یا ناشی از روش ارزیابی نامناسب هستند
- ##RecSys
- ##DeepLearning
- ##RecommendationSystems
- ##Reproducibility
- ##Research
- ##MachineLearning
- ##Evaluation
- ##HyperparameterTuning
- ##AI
- ##DataScience