وبلاگ

مقدمه­ای بر انواع سیستم های 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 سیستم های 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 شبکه ­های اجتماعی، شبکه ­های اعتماد و وجود انواع روابط میان کاربران این شبکه ­ها افق جدیدی را برروی محققان و توسعه دهندگان سیستم های توصیه­گر گشوده است تا با بهره­ گیری از علوم اجتماعی و علوم روان شناختی حاکم در این شبکه ­ها و خصوصا وجود رابطه اعتماد میان کاربران بتوانند نسل جدیدی از سیستم های توصیه­گر را تحت عنوان “سیستم های توصیه­گر مبتنی بر اعتماد[۱]"معرفی و عرضه نمایند. این سیستم ها 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 شبکه ­های مبتنی بر اعتماد و شبکه ­های اجتماعی، همچنین تنوع رفتار و ویژگی­های ایشان، تنها یک شیوه یا یک مدل قادر به پاسخگویی و ارائه پیشنهادات دقیق و قابل قبول نمی ­باشد که این امر باعث ظهور سیستم های توصیه­گر ترکیبی[۲]گردیده است. در این سیستم ها سعی شده است تا با ترکیب انواع مختلفی از سیستم های توصیه­گر بتوان سیستمی تولید نمود که دارای مزایای حداکثری و معایب حداقلی باشد.

در این پایان نامه 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- سیستم های توصیه­گر

 

تعاریف متفاوتی برای سیستم‌های توصیه‌گر ارائه شده‌است. عده­ای از محققان سیستم های توصیه­گر را زیرمجموعه‌ای از سیستم های 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 سیستم های توصیه­گر زیر مجموعه ­ای از سیستم های پالایش اطلاعات[۶]هستند که وظیفه آنها جستجو برای بیان پیش ­بینی 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 گروه ها می­باشد[۲]–[۴].

 

 

۱-۳- انواع سیستم های توصیه­گر از لحاظ عملکردی

 

سیستم های 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 پیش ­بینی 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 سیستم های 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 برنامه ­ریزی­های آتی
• جذب مشتریان و بازدید کنندگانی که برای اولین بار است از سایت بازدید می­ کنند
• 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 جنبه­ های روان­شناختی کاربران
• افزایش آگاهی کاربر در زمینه مورد علاقه وی

 

 

۱-۵- معایب و مشکلات کلی سیستم های توصیه­گر

 

در مقابل مزایای بیان شده، این سیستم ها دارای نواقص و محدودیتهایی نیز می باشند که در ذیل به پاره ای از آنها اشاره می­ شود:

• 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 سیستم های توصیه­گر وجود دارد که پاره­ای از آنها عبارتند از:

• پیاده­سازی این سیستم ها به دلیل وجود فاکتورهای بسیار متعدد و تاثیرگذار بر روی روند تصمیم ­گیری مکانیزه، بسیار پیچیده می­باشد.
• وجود امکان نفوذ متجاوزان و کلاهبرداران به اینگونه سیستم ها و ایجاد داده ­های 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 سیستم ها 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 داده ­های 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 شبکه ­های اجتماعی
• عدم وجود امکانات زمانی و سخت­افزاری در زمینه بررسی کل شبکه ­های 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