مقدمه ای بر انواع سیستم های توصیه گر

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.

تصویر درباره جامعه شناسی و علوم اجتماعی

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