پاورپوینت سیستم های توصیه گر به همراه فایل تکمیلی

پاورپوینت سیستم های توصیه گر به همراه فایل تکمیلی

مقدمه

ایده اصلی سامانه‌های توصیه‌گر این است که از این منابع مختلف داده‌ برای استخراج علایق مشتریان استفاده شود. به موجودیتی که توصیه برای آن فراهم می‌شود، کاربر و به محصول توصیه شده، آیتم اطلاق می‌شود. بنابراین، آنالیز توصیه اغلب مبتنی بر تعامل قبلی میان کاربران و آیتم‌ها می‌باشد، زیرا علایق و تمایلات گذشته غالبا شاخص‌های خوبی از انتخاب‌های آینده هستند. یک استثنا قابل‌توجه، مورد سامانه‌های توصیه‌گر مبتنی بر دانش است که در آن توصیه‌ها براساس نیازهای مشخص‌شده توسط کاربر به جای تاریخچه کاربر صورت می‌گیرد.

بنابراین، اصل اساسی که اساس کار الگوریتم‌های توصیه‌گر را تشکیل می‌دهند چیست؟ اصل اساسی توصیه‌ها این است که وابستگی‌های قابل ملاحظه‌ای بین کاربر و فعالیت آیتم محور وجود دارد. برای مثال، یک کاربر که به یک مستند تاریخی علاقه‌مند است، احتمال اینکه به یک مستند تاریخی دیگر یا یک برنامه آموزشی علاقه‌مند باشد بیشتر از فیلم اکشن است. در بسیاری از موارد، دسته‌های مختلف آیتم‌ها ممکن است همبستگی‌های معنی‌داری را نشان دهند که می‌تواند بعنوان اهرمی برای ارائه توصیه‌های دقیق‌تر استفاده شود. متناوبا، وابستگی‌ها ممکن است در دانه‌بندی ریزتر آیتم‌ها منفرد به جای دسته‌ وجود داشته باشد. این وابستگی‌ها را می‌توان به روش داده محور از ماتریس رتبه‌بندی آموخت و از مدل حاصل می‌توان برای پیش‌بینی کاربران هدف استفاده کرد. هرچه تعداد آیتم‌های امتیازدهی شده موجود برای یک کاربر بیشتر باشد، به همان میزان با سهولت بیشتری می توان رفتار آتی کاربر را پیش بنی کرد. از مدل‌های یادگیری مختلف بسیاری می‌توان برای انجام این کار استفاده کرد. برای مثال، از رفتار امتیازدهی یا خرید  جمعی کاربران مختلف می‌توان بعنوان اهرمی برای ایجاد گروهی از کاربران مشابه استفاده کرد که به محصولات مشابه علاقه‌مند هستند. علایق و اقدامات این گروه‌ها می‌تواند بعنوان اهرمی برای ارائه توصیه‌ها به اعضای منفرد این گروه‌ها استفاده شود.

توصیف فوق الذکر براساس خانواده‌ بسیار ساده‌ای از الگوریتم‌های توصیه‌گر استوار است که به آن‌ها مدل‌های همسایگی اطلاق می‌شود. این خانواده به یک دسته وسیع‌تر از مدل‌ها تعلق دارد که به آن‌ها فیلترینگ مشارکتی اطلاق می‌شود. عبارت «فیلتر مشارکتی» به استفاده از امتیازدهی چند کاربر به روش مشارکتی برای پیش‌بینی امتیازات اشاره دارد. سامانه‌های توصیه‌گر عملا ممکن است پیچیده‌تر و غنی از داده‌ باشند. برای مثال، در سامانه‌های توصیه‌گر مبتنی بر محتوا، محتوا نقش اصلی را در فرآیند توصیه ایفا می‌کند که در آن از امتیازدهی کاربران و توصیف خصوصیات آیتم‌ها به منظور پیش‌بینی استفاده می‌شود. ایده اصلی این است که علایق کاربر را می‌توان براساس خواص (یا خصیصه) آیتم‌هایی که آن‌ها در گذشته به آن امتیاز داده‌اند یا دسترسی یافته‌اند مدل‌سازی کرد. چارچوب متفاوتی از سامانه‌های مبتنی بر دانش وجود دارد که در آن کاربران به صورت تعاملی منافع خود را مشخص می‌کنند و مشخص‌سازی کاربر با دانش محیط کاربرد ترکیب می‌شود تا توصیه‌هایی ارائه گردد. در مدل‌های پیشرفته، از داده‌های زمینه‌ای مانند اطلاعات زمانی، دانش بیرونی، اطلاعات مکان، اطلاعات اجتماعی یا اطلاعات شبکه ممکن است می‌توان استفاده کرد.

این مقاله انواع سامانه‌های پایه شامل سامانه‌های مبتنی بر محتوا و مبتنی بر دانش را بررسی می‌کند. ما همچنین در مورد مدل‌های پایه و ارتقاء یافته سامانه‌های توصیه‌گر در حوزه‌های مختلف بحث خواهیم کرد. ما جنبه‌های مختلف پایداری و استحکام سامانه‌های توصیه‌گر مانند مدل‌های حمله و ساخت مدل‌های قابل‌اعتماد را بررسی خواهیم کرد. علاوه بر این، مدل‌های مختلف ارزیابی و ترکیب سازی برای سامانه‌های توصیه‌گر نیز به‌طور کامل بررسی خواهند شد. در این فصل، هدف این است که دید کلی از تنوع گسترده کار در حوزه سامانه‌های توصیه‌گر ارائه گردد و نیز موضوعات مختلف با فصول مختلف این کتاب ارتباط داده شود.