مقدمه ای بر انواع سیستم های توصیه گر |
مقدمهای بر انواع سیستمهای توصیهگر
۱-۱- مقدمه
گسترش سریع و روز افزون اطلاعات ارائه شده بر روی شبکه جهانی اینترنت، کاربران را با مشکلات عدیده و قابل تاملی در خصوص انتخاب منابع و اطلاعات مورد نیاز ایشان مواجه نموده است و چه بسا که بدون راهنمایی و هدایت صحیح، کاربران در اخذ تصمیمات صحیح یا انتخاب کالا و خدمات مورد نیازشان دچار اشتباه شده که این امر تبعات عدیدهای از جمله نارضایتی، سلب اطمینان کاربران و مشتریان سایتهای موجود بر روی اینترنت را به همراه خواهد داشت. از اینرو وجود ابزار و سیستمهایی برای کمک به کاربران در انتخاب اطلاعات مناسب و مورد نیاز ایشان کاملا ضروری به نظر میرسد. در سالهای اخیر برای برآورده سازی این نیازها سیستمهای توصیهگرمطرح و توسعه یافتهاند و الگوریتمها ، مقالات و متون علمی بسیار متنوع و مختلفی در این زمینه مطرح گردیده است .
در این میان، ایجاد و گسترش شبکههای اجتماعی، شبکههای اعتماد و وجود انواع روابط میان کاربران این شبکهها افق جدیدی را برروی محققان و توسعه دهندگان سیستمهای توصیهگر گشوده است تا با بهرهگیری از علوم اجتماعی و علوم روان شناختی حاکم در این شبکهها و خصوصا وجود رابطه اعتماد میان کاربران بتوانند نسل جدیدی از سیستمهای توصیهگر را تحت عنوان “سیستمهای توصیهگر مبتنی بر اعتماد[۱]"معرفی و عرضه نمایند. این سیستمها قادر هستند تا به درصد بیشتری از کاربران پاسخ مناسب را ارائه دهند و همچنین نتایج آنها از دقت بالاتری برخوردار میباشد.
با توجه به کثرت کاربران و افراد عضو شبکههای مبتنی بر اعتماد و شبکههای اجتماعی، همچنین تنوع رفتار و ویژگیهای ایشان، تنها یک شیوه یا یک مدل قادر به پاسخگویی و ارائه پیشنهادات دقیق و قابل قبول نمیباشد که این امر باعث ظهور سیستمهای توصیهگر ترکیبی[۲]گردیده است. در این سیستمها سعی شده است تا با ترکیب انواع مختلفی از سیستمهای توصیهگر بتوان سیستمی تولید نمود که دارای مزایای حداکثری و معایب حداقلی باشد.
در این پایاننامه سعی شده است تا با تغییر، اصلاح، تلفیق و ترکیب تعدادی از روشها و الگوریتمهای مطرح و قابل قبول در سطح جهانی، مدلی ارائه گردد که نسبت به مدلهای پیشین دارای دقت و درصد پوشش بالاتری باشد و همچنین بتواند نقایص مدلهای پیشین خصوصا در رابطه با ارائه پیشنهاد به کاربران تازه وارد[۳] را تا حد قابل قبولی مرتفع نماید.
۱-۲- سیستمهای توصیهگر
تعاریف متفاوتی برای سیستمهای توصیهگر ارائه شدهاست. عدهای از محققان سیستمهای توصیهگر را زیرمجموعهای از سیستمهای تصمیمیار[۴] میدانند و آنها را سیستمهای اطلاعاتی[۵] تعریف میکنند که توانایی تحلیل رفتارهای گذشته و ارائه توصیههایی برای مسائل جاری را دارا میباشند[۱]. به زبان سادهتر در سیستمهای توصیهگر تلاش بر این است تا با حدس زدن شیوه تفکر کاربر به کمک اطلاعاتی که از نحوه رفتار وی یا کاربران مشابه و نظرات آنها داریم مناسبترین و نزدیکترین کالا یا خدمت به سلیقه او را شناسایی و پیشنهاد کنیم. این سیستمها در حقیقت سعی دارند فرایندی را که ما در زندگی روزمره خود بکار میبریم و طی آن تلاش میکنیم تا افرادی با سلایق نزدیک به خود را پیدا کرده و از آنها در مورد انتخابهایمان نظر بخواهیم را شبیه سازی نمایند.
به صورت کلیتر سیستمهای توصیهگر زیر مجموعهای از سیستمهای پالایش اطلاعات[۶]هستند که وظیفه آنها جستجو برای بیان پیشبینی امتیاز(درجه)[۷] یا بیان سلایق و ترجیحات[۸] یک کاربر در خصوص یک موضوع[۹] ( مانند موسیقی، کتاب یا فیلم) یا یک عنصر اجتماعی مانند افراد و گروهها میباشد[۲]–[۴].
۱-۳- انواع سیستمهای توصیهگر از لحاظ عملکردی
سیستمهای توصیهگر به لحاظ نحوه ارائه نتایج و پیشنهادات به کاربران خود، به شیوه های متفاوتی عمل می نمایند که در ذیل به پارهای از آنها به صورت فهرست وار اشاره میگردد:
- پیشنهاد لیستی متشکل از n کالا یا محصول برتر (معمولا n برابر ۱۰ است )
- پیشنهادات فصلی و موردی مانند پیشنهاد یک هتل دارای تخفیف جهت تعطیلات
- بیان درصد علاقهمندی سایر کاربران به یک محصول خاص، به عنوان مثال: “۸۰ درصد کاربران از خرید این محصول راضی بوده اند “
- پیش بینی میزان امتیازی که یک کاربر به یک محصول خاص خواهد داد
در این تحقیق سعی در ایجاد مدلی است که بتواند نظر و امتیاز تخصیص داده شده توسط یک کاربر خاص به یک محصول یا آیتم خاص را پیشبینی نماید.
۱-۴- مزایا و اهمیت یک سیستم توصیهگر کارآمد
طبق آمار رسمی ارائه شده توسط سایت فروش کتاب Amazon[10] ، ۳۵ درصد از فروش این سایت به واسطه وجود سیستم توصیهگر و ارائه پیشنهادات مناسب به علاقهمندان کتاب می باشد[۵] همچنین سایت اجاره فیلم Netflix برای بهبود ۱۰ درصدی دقت سیستم توصیهگر خود موسوم به Cinematch[11]جایزه ای بالغ بر یک میلیون دلار برای محققان در نظر گرفته است. هر دو مثال فوق نشان دهنده اهمیت سیستمهای توصیهگر و نقش آنها در تجارت میباشد. در ذیل تعدادی از دلایل اهمیت وجود یک سیستم توصیهگر مناسب و کارآمد در یک سایت تجارت الکترونیک برشمرده میگردد:
- راهنمایی کاربران و بازدید کنندگان در انتخاب کالا ، محصول یا خدمت مناسب
- تسریع در زمان انتخاب کالای مورد نظر مشتری مانند انتخاب یک فیلم مناسب در میان میلیونها فیلم موجود در سایت
- جمعآوری اطلاعات ارزشمند در خصوص سلایق و رفتار کاربران جهت برنامهریزیهای آتی
- جذب مشتریان و بازدید کنندگانی که برای اولین بار است از سایت بازدید میکنند
- افزایش میزان رضایتمندی کاربران و طبیعتا افزایش سود سرمایه گذاران تجاری
- ایجاد احساس اطمینان در مشتری با ارائه آمار نظرات سایر کاربران
- بهبود معیارهای سنجش رتبه و درجه پورتال یا سایت
- توجه به جنبههای روانشناختی کاربران
- افزایش آگاهی کاربر در زمینه مورد علاقه وی
۱-۵- معایب و مشکلات کلی سیستمهای توصیهگر
در مقابل مزایای بیان شده، این سیستمها دارای نواقص و محدودیتهایی نیز می باشند که در ذیل به پاره ای از آنها اشاره میشود:
- عدم امکان بررسی همه جانبه مشخصات کاربران و عدم ارائه یک جواب کاملا منطبق و سازگار با نظر ایشان
- عدم اطمینان مشتریان به نظرات و پیشنهادات ارائه شده توسط سیستم
- عدم وجود دقت مطلوب در پیشنهادات ارائه شده توسط سیستم
- عدم پاسخگویی در برخی شرایط خاص، خصوصا در مورد کاربران تازه وارد یا مشتریان جدید (در فصل آینده در خصوص این مورد توضیحات کاملتری ارائه میگردد)
مشکلات فنی و موانع عدیدهای نیز در خصوص پیادهسازی و ارائه الگوریتم برای سیستمهای توصیهگر وجود دارد که پارهای از آنها عبارتند از:
- پیادهسازی این سیستمها به دلیل وجود فاکتورهای بسیار متعدد و تاثیرگذار بر روی روند تصمیمگیری مکانیزه، بسیار پیچیده میباشد.
- وجود امکان نفوذ متجاوزان و کلاهبرداران به اینگونه سیستمها و ایجاد دادههای غیرصحیح در سیستم، که ممکن است نتیجه خروجی سیستم را به نحوی تغییر یا منحرف نمایند.
- پیچیدگی زمانی الگوریتمهای موجود و سرعت پاسخگویی کند این سیستمها خصوصا در ارائه پیشنهادات برخط[۱۲]
- پیچیدگی پیادهسازی الگوریتمهای موجود در این زمینه به لحاظ برنامهنویسی و مباحث نرمافزاری
- وجود مشکلات عدیده در خصوص مدیریت دادههای بسیار سنگین و گاها به صورت توزیعشده[۱۳]
- پیچیدگیهای ناشی از وجود یک شبکه گرافی بسیار حجیم و درهم با تعداد گرههای بسیار زیاد خصوصا در مورد شبکههای اجتماعی
- عدم وجود امکانات زمانی و سختافزاری در زمینه بررسی کل شبکههای مبتنی بر اعتماد برای یافتن بهترین جواب و با بالاترین دقت ممکن(به عنوان مثال اجرای برخی از الگوریتمها ممکن است چندین روز به طول بیانجامد)
[۱] Trust-Based Recommendation Systems(TBRS)
[۲] Hybrid Recommender System
[۳] Cold Start Users
[۴] Decision Support Systems(DSS)
[۵] Information Systems(IS)
[۶] Information Filtering Systems
[۷] Ratings
[۸] Preferences
[۹] Item
[۱۰]http://www.amazon.com
[۱۱] http://www.netflixprize.com
[۱۲] Online Recommendation
[۱۳] Distributed
فرم در حال بارگذاری ...
[جمعه 1400-02-31] [ 09:14:00 ب.ظ ]
|