RECOMMENDATION SYSTEM BASED ON DEEP LEARNING

Abstract

In an era dominated by data-driven technologies, recommendation systems have become fundamental tools for personalizing user experiences across various sectors such as e-commerce, education, healthcare, entertainment, and finance. This report provides a comprehensive study of traditional and explainable recommendation systems (XRS), detailing their evolution, classification, methodologies, and challenges. We first explore the foundational models, including collaborative filtering, content-based filtering, and hybrid techniques, emphaZsizing their benefits and limitations. The report then delves into the emerging field of explainable recommendation systems, which aim to enhance user trust and transparency by providing human-understandable justifications for algorithmic suggestions. Through comparative analyses across different domains, the effectiveness of integrating Explainable AI (XAI) techniques—such as SHAP, LIME, knowledge graphs, and natural language generation—is assessed. As a practical contribution, the report presents the design and implementation of a movie recommendation system using the MovieLens 100K dataset. The system leverages LightGBM for rating prediction and fine-tunes a T5 language model to generate natural language explanations, creating a transparent and personalized recommendation experience. Our results show that combining predictive accuracy with explainability significantly improves user interpretability without compromising performance. This work highlights the importance of building intelligent, ethical, and user-centric recommendation systems that are both effective and trustworthy. ---------------------------------------------------------------------------- في عصر تهيمن عليه التقنيات القائمة على البيانات، أصبحت أنظمة التوصية أدوات أساسية لتخصيص تجربة المستخدم في مختلف القطاعات مثل التجارة الإلكترونية، والتعليم، والرعاية الصحية، والترفيه، والمالية. يُقدم هذا التقرير دراسة شاملة حول أنظمة التوصية التقليدية والقابلة للتفسير (XRS)، موضحًا تطورها، وتصنيفاتها، ومنهاجياتها، وتحدياتها. نستعرض أولًا النماذج الأساسية، بما في ذلك التصفية التعاونية، والتصفية المعتمدة على المحتوى، والنُهج الهجينة، مع التركيز على مزاياها وعيوبها. ثم يتناول التقرير المجال الناشئ لأنظمة التوصية القابلة للتفسير، والتي تهدف إلى تعزيز ثقة المستخدمين والشفافية من خلال تقديم مبررات مفهومة للتوصيات الناتجة عن الخوارزميات. ومن خلال تحليلات مقارنة في مجالات مختلفة، نقوم بتقييم فعالية دمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) مثل SHAP وLIME والرسوم البيانية المعرفية وتوليد اللغة الطبيعية. وكجزء عملي، يعرض التقرير تصميم وتنفيذ نظام توصية أفلام باستخدام مجموعة بيانات MovieLens 100K. يعتمد النظام على LightGBM للتنبؤ بالتقييمات، وعلى نموذج T5 مدرّب لتوليد تفسيرات بلغة طبيعية، مما يوفر تجربة توصية شفافة وشخصية في آنٍ واحد. تُظهر نتائجنا أن الجمع بين دقة التنبؤ وقابلية التفسير يعزز بشكل كبير من فهم المستخدم دون التأثير على الأداء. ويؤكد هذا العمل على أهمية بناء أنظمة توصية ذكية وأخلاقية ومتمحورة حول المستخدم، تكون فعالة وجديرة بالثقة في آنٍ واحد. ---------------------------------------------------------------------------- À l’ère des technologies pilotées par les données, les systèmes de recommandation sont devenus des outils fondamentaux pour personnaliser l’expérience utilisateur dans divers secteurs tels que le commerce électronique, l’éducation, la santé, le divertissement et la finance. Ce rapport présente une étude complète des systèmes de recommandation traditionnels et explicables (XRS), en détaillant leur évolution, classification, méthodologies et défis. Nous explorons d’abord les modèles de base, incluant le filtrage collaboratif, le filtrage basé sur le contenu et les approches hybrides, en mettant en évidence leurs avantages et leurs limites. Le rapport aborde ensuite le domaine émergent des systèmes de recommandation explicables, qui visent à renforcer la confiance des utilisateurs et la transparence en fournissant des justifications compréhensibles des suggestions algorithmiques. Grâce à des analyses comparatives dans différents domaines, nous évaluons l’efficacité de l’intégration des techniques d’IA explicable (XAI), telles que SHAP, LIME, les graphes de connaissances et la génération de langage naturel. En contribution pratique, le rapport présente la conception et la mise en œuvre d’un système de recommandation de films utilisant le jeu de données MovieLens 100K. Le système s’appuie sur LightGBM pour la prédiction des notes et sur un modèle T5 fine-tuné pour générer des explications en langage naturel, créant ainsi une expérience de recommandation à la fois transparente et personnalisée. Nos résultats montrent que la combinaison entre précision prédictive et explicabilité améliore considérablement l’interprétabilité pour l’utilisateur sans compromettre les performances. Ce travail souligne l’importance de construire des systèmes de recommandation intelligents, éthiques et centrés sur l’utilisateur, à la fois efficaces et dignes de confiance.