@article { author = {Tahmasbi, Hamidreza and Jalali, Mehrdad and Shakeri, Hassan}, title = {Temporal Recommendation System Based on Coupled Tensor Factorization}, journal = {Journal of Soft Computing and Information Technology}, volume = {7}, number = {2}, pages = {81-94}, year = {2018}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {Recommender systems analyze the user’s preference patterns and provide personalized recommendations of items that will suit a user’s taste. An essential challenge in these systems is that user preferences are not static and users are likely to change their preferences over time. The adaptability of recommender systems to capture the evolving user′s preferences which are constantly changing, improves the accuracy of recommender systems. In this paper, we develop a model to capture the users’ preference dynamics in a personalized manner. We introduce an individual time decay factor for each user according to the rate of his preference dynamics to weight the past user preferences and decrease gradually the importance of them. We exploit the users’ demographics as well as the extracted similarities between users over time, in addition to the past weighted user preferences, in a developed coupled tensor-matrix factorization technique to provide the personalized recommendations. Our evaluation results on the two real-world datasets indicate that our proposed model is better and more robust than the competitive methods in term of recommendation accuracy and is more capable to cope with cold-start problem.}, keywords = {Temporal recommender systems,Coupled tensor factorization,Users’ preference dynamics,Data sparsity,Cold-start}, title_fa = {ارائه‌ی یک سیستم پیشنهاد‌دهنده‌ی زمانی مبتنی بر تجزیه تنسور‌های اتصالی}, abstract_fa = {سیستم‌های پیشنهاد‌دهنده با تحلیل الگوهای علایق کاربران، آیتم‌ها یا پیشنهاداتی متناسب با علایق کاربر به او ارائه می‌کنند. یک چالش اساسی در این سیستم‌ها این است که علایق کاربران ثابت نبوده و معمولا کاربران تمایل به تغییر علایق خود در طول زمان دارند. تطبیق سیستم‌های پیشنهاددهنده برای مدل کردن تکامل علایق و نیازهای کاربران که مدام درحال تغییر می‌باشند، باعث بهبود پیشنهادات ارائه شده به کاربر می‌گردد. در این مقاله با توسعه یک روش مدل‌سازی علایق پویای کاربر، یک سیستم پیشنهاد‌دهنده زمانی ارائه می‌کنیم. در این روش یک تابع کاهش زمانی برای هر کاربر معرفی می‌شودکه اهمیت علایق قبلی کاربران براساس نرخ تغییر علایق هر کاربر وزن گذاری‌شده و سپس این اطلاعات بهمراه اطلاعات استخراج شده‌ی مربوط به شباهت بین کاربران در طول زمان و داده‌های دموگرافی کاربران به ترتیب در دو تنسور و یک ماتریس مدل شده و با استفاده از تکنیک تجزیه تنسور- ماتریس‌های اتصالی، پویایی علایق کاربران استخراج و پیشنهادات شخصی مناسب با هر کاربر ارائه می‌‌شود. ارزیابی روش پیشنهادی روی دو مجموعه داده‌ی واقعی، بهبود دقت این روش را در پیشنهاد آیتم‌ها به کاربران نسبت به سایر روش‌های مقایسه شده و توانایی بهتر آن در برخورد با مشکل شروع سرد را نشان می‌دهد}, keywords_fa = {سیستم‌های پیشنهاد‌دهنده‌ی زمانی,تجزیه تنسور-ماتریس‌های اتصالی,علایق پویای کاربر,داده‌های خلوت,شروع سرد}, url = {https://jscit.nit.ac.ir/article_82308.html}, eprint = {https://jscit.nit.ac.ir/article_82308_2120e9d5bf317e4a08737a674c700e31.pdf} }