مقدمهای بر سیستمهای توصیهگر (مدل ها، روش ها، کاربردها)
مقدمه
اهمیت فزایندهی وب به عنوان واسطهای برای انجام معاملات الکترونیکی و تجاری، یک نیروی محرکه برای توسعه تکنولوژی سیستمهای توصیهگر محسوب میشود. یک کاتالیزور مهم در این زمینه، سادگی و راحتی است که با آن، کاربران وب را قادر به ارائه بازخورد در مورد رضایت و یا عدمرضایت میسازد. به عنوان مثال، یک سناریو از یک ارائهکننده محتوا مانند نت فلیکس را در نظر بگیرید. در چنین مواردی، کاربران با یک کلیک ساده ماوس قادر به ارایه بازخورد میباشند. یک روش معمول برای ارایه بازخورد امتیازدهی است، که در آن کاربران مقادیر عددی را از یک سیستم ارزیابی خاص انتخاب میکنند (به عنوان مثال، سیستم درجهبندی پنج ستاره) که میزان رضایت و یا عدمرضایت آنها را در موارد مختلف مشخص میسازد.
شکلهای دیگر بازخورد به این صورت کاملا صریح نیستند اما در الگوی وب-محور راحتتر قابل جمعاوری میباشند. به عنوان مثال، عمل سادهی خرید یا مرور یک آیتم میتواند به عنوان یک علاقه برای آن آیتم در نظر گرفته شود . این نوع از بازخورد معمولا توسط فروشندههای آنلاین مانند Amazon.com استفاده میشود، و جمعآوری این نوع از دادهها، از نظر کار مورد نیاز برای مشتری کاملا راحت میباشد. ایده اصلی سیستمهای توصیهگر، استفاده از چنین منابع مختلفی از دادهها، جهت استخراج علایق مشتریان است. در چنین سیستمی، توصیهی پیشنهادی به کاربر و کالای پیشنهادشده، به عنوان آیتم شناخته میشود. بنابراین، اینگونه آنالیز توصیه، اغلب مبتنی بر تعامل قبلی میان کاربران و آیتمها میباشد، زیرا علایق و تمایلات گذشته، اغلب شاخصهای خوبی از انتخابهای آینده هستند. یک استثنای قابلتوجه، سیستمهای توصیهگر مبتنی بر دانش است، که در آن توصیهها به جای اینکه مبتنی بر تاریخچهی گذشته باشند، مبتنی بر نیازهای خاص کاربر پیشنهاد میشوند.
بنابراین، اصل اساسی زیربنای کار الگوریتم های توصیه چیست؟ اصل اساسی سیستمهای توصیه بر اساس وجود وابستگیهای قابلتوجه بین کاربر و فعالیتهای آیتم-محور میباشد. برای مثال، کاربری که به یک مستند تاریخی علاقمند است، به احتمال زیاد به یک مستند تاریخی دیگر یا یک برنامه آموزشی علاقهمند است تا یک فیلم اکشن. در بسیاری از موارد، ممکن است همبستگی قابلتوجهی بین دستههای مختلفی از آیتمها موجود باشد که میتواند برای ارایه پیشنهادهای دقیقتر مورد استفاده قرار گیرد. از سوی دیگر، این وابستگیها ممکن است به جای آیتمهای دستهای، در آیتمهای فردی ، وجود داشته باشد. این وابستگیها از طریق روش برگرفته از داده های یک ماتریس ارزیابی قابل یادگیری میباشد، و مدل حاصله برای تهیه پیشبینیهایی برای کاربران هدف، مورد استفاده قرار میگیرد. هرچه تعداد آیتمهای امتیازداده شده برای یک کاربر بیشتر باشد، پیشبینی رفتار آیندهی آن کاربر آسانتر و دقیقتر خواهد بود. بسیاری از مدلهای یادگیری مختلف میتوانند برای انجام این کار استفاده شوند. به عنوان مثال، رفتار خرید دستهجمعی یا امتیاز کاربران مختلف میتواند به عنوان وسیلهای برای ایجاد دستههایی از کاربران مشابه باشد که به محصولات مشابه علاقمند هستند. از علایق و فعالیتهای این دستهها می توان برای ارائهی پیشنهاد به تک تک اعضای این دستهها استفاده کرد.
توصیف فوق براساس یک خانواده بسیار ساده از الگوریتم های توصیه است که به مدلهای همسایگی اشاره دارد. این خانواده به یک دسته وسیعتر از مدلها که به آن فیلتر مشارکتی میگویند، تعلق دارد. عبارت “فیلترمشارکتی” استفاده از امتیازهای انجام شده توسط چندین کاربر مختلف، در یک روش مشارکتی، برای پیشبینی امتیازهای از دست رفته است. به عنوان مثال، در سیستمهای توصیهگر مبتنی بر محتوا، محتوا نقش اصلی را در فرآیند توصیه ایفا میکند که در آن از امتیازهای کاربران و توصیف ویژگیهای آیتمها، برای تهیهی پیشبینی استفاده میشود. ایده اصلی این است که علایق کاربر را می توان براساس ویژگیهای آیتمهایی که قبلا امتیاز داده یا استفاده کرده است، مدلسازی کرد. یک چارچوب متفاوت این است که سیستمهای مبتنی بر دانش، که در آن کاربران به طور متقابل علایق خود را مشخص میکنند، و مشخصات کاربر با دانش دامنه برای ارائه توصیهها ترکیب میشوند. در مدلهای پیشرفته، دادههایی مانند اطلاعات زمانی، دانش خارجی، اطلاعات مکانی، اطلاعات اجتماعی، یا اطلاعات شبکه، ممکن است مورد استفاده قرار گیرند.
این مقاله انواع سیستمها، از جمله سیستمهای مشارکتی، مبتنی بر محتوا، و سیستمهای مبتنی بر دانش را مورد مطالعه قرار میدهد. همچنین در مورد هر دو مدل پایهای و پیشرفته سیستمهای توصیهگر در دامنههای مختلف بحث خواهد شد. همچنین جنبههای مختلف قدرت سیستمهای توصیهگر، مانند مدلهای حمله، و ساخت مدلهای قابلاعتماد را مطالعه خواهیم کرد. به علاوه، انواع مدلهای ارزیابی و ترکیبی برای سیستمهای توصیهگر، به طور کامل مورد مطالعه قرار خواهند گرفت. در این مقاله هدف ارائه خلاصهای از تنوع گستردهی کار در زمینهی سیستمهای توصیهگر، و همچنین مرتبط کردن موضوعات مختلف به بخشهای مختلف این مقاله است.
این مقاله به شرح زیر سازماندهی شدهاست. بخش ۲ اهداف اصلی سیستمهای توصیهگر را مورد بحث قرار میدهد. بخش ۳ مدلهای پایهای و روشهای ارزیابی مورد استفاده در سیستمهای توصیهگر را معرفی خواهد کرد. استفاده از سیستمهای توصیهگر در دامنههای مختلف دادهها در بخش ۴ مورد بررسی قرار گرفتهاست. مدلهای پیشرفته برای سیستمهای توصیهگر در بخش ۵ و در بخش ۶ نتیجهگیری و خلاصه ارائه شده است.
فهرست مطالب
۱- مقدمه
۲- اهداف سیستمهای توصیهگر
۲-۱- سیستم توصیهگر GroupLens
۲-۲- سیستم توصیه گر Amazon.com
۲-۳-سیستم توصیهی فیلم Netflix
۲-۴-سیستم شخصیسازی News Google
۲-۵-سیستم توصیهی دوستیابی Facebook
۲-۶- کاربردهای سیستم های توصیه گر
۳- مدلهای اصلی سیستمهای توصیهگر
۳-۱- مدلهای فیلترینگ مشترک
۳-۲- انواع امتیازدهی
۳-۳-مثالهایی از امتیازدهی صریح و ضمنی
۳-۳-۱- رابطهی مقادیر گمشده
۳-۳-۲- فیلترینگ مشترک به عنوان تعمیم مدلسازی طبقهبندی و رگرسیون
۳-۴- انواع سیستم های توصیه گر
۳-۴-۱- سیستمهای توصیهگر مبتنی بر محتوا
۳-۴-۲- سیستمهای توصیهگر مبتنی بر دانش
۳-۴-۳- سیستمهای توصیهگر مبتنی بر سودمندی
۳-۴-۴-سیستمهای توصیهگر جمعیتی (دموگرافیک)
۳-۴-۵- سیستمهای توصیهگرترکیبی و مبتنی بر گروه
۳-۵- ارزیابی سیستمهای توصیهگر
۴- چالشهای خاص دامنه در سیستمهای توصیهگر
۴-۱-سیستمهای توصیهگر مبتنی بر زمینه
۴-۲- سیستمهای توصیهگر حساس به زمان
۴-۳- سیستمهای توصیهگر مبتنی بر مکان
۴-۴- سیستمهای توصیهگر اجتماعی
۴-۴-۱- توصیهی ساختاری گرهها و لینکها
۴-۴-۲- توصیههای محصول و محتوا با تاثیر اجتماعی
۴-۴-۳- سیستمهای توصیهگر قابلاعتماد
۵- موضوعات و برنامههای پیشرفته
۵-۱- مبحث شروع سرد در سیستمهای توصیهگر
۵-۲- سیستمهای توصیهگر مقاوم به حمله
۵-۳- سیستمهای توصیهگر گروهی
۵-۴- سیستمهای توصیهگر چندمعیاره
۵-۵- یادگیری فعال در سیستمهای توصیهگر
۵-۶- حریم خصوصی در سیستمهای توصیهگر
۵-۷- حوزههای کاربرد سیستم های توصیه گر
مراجع
Lu, J., Wu, D., Mao, M., Wang, W., & Zhang, G. (2015). Recommender system application developments: a survey. Decision Support Systems, ۷۴, ۱۲-۳۲٫
O’connor, M., Cosley, D., Konstan, J. A., & Riedl, J. (2001). PolyLens: A recommender system for groups of users. In ECSCW 2001 (pp. 199-218). Springer, Dordrecht.
Resnick, P., & Varian, H. R. (1997). Recommender systems. Communications of the ACM, ۴۰(۳), ۵۶-۵۸٫
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2000). Application of dimensionality reduction in recommender system-a case study. Minnesota Univ Minneapolis Dept of Computer Science.
He, J., & Chu, W. W. (2010). A social network-based recommender system (SNRS). In Data mining for social network data (pp. 47-74). Springer, Boston, MA.
Cosley, D., Lam, S. K., Albert, I., Konstan, J. A., & Riedl, J. (2003, April). Is seeing believing? How recommender system interfaces affect users’ opinions. In Proceedings of the SIGCHI conference on Human factors in computing systems (pp. 585-592).
Li, Q., & Kim, B. M. (2003, October). Clustering approach for hybrid recommender system. In Proceedings IEEE/WIC International Conference on Web Intelligence (WI 2003) (pp. 33-38). IEEE.
Gomez-Uribe, C. A., & Hunt, N. (2015). The netflix recommender system: Algorithms, business value, and innovation. ACM Transactions on Management Information Systems (TMIS), ۶(۴), ۱-۱۹٫
Avesani, P., Massa, P., & Tiella, R. (2005, March). A trust-enhanced recommender system application: Moleskiing. In Proceedings of the 2005 ACM symposium on Applied computing (pp. 1589-1593).
Zheng, Z., Ma, H., Lyu, M. R., & King, I. (2009, July). Wsrec: A collaborative filtering based web service recommender system. In ۲۰۰۹ IEEE International Conference on Web Services (pp. 437-444). IEEE.
Yin, H., Sun, Y., Cui, B., Hu, Z., & Chen, L. (2013, August). Lcars: a location-content-aware recommender system. In Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 221-229).
Sun, Y., & Zhang, Y. (2018, June). Conversational recommender system. In The 41st international acm sigir conference on research & development in information retrieval (pp. 235-244).
Chandramouli, B., Levandoski, J. J., Eldawy, A., & Mokbel, M. F. (2011, June). Streamrec: a real-time recommender system. In Proceedings of the 2011 ACM SIGMOD International Conference on Management of data (pp. 1243-1246).
Ghazanfar, M. A., & Prugel-Bennett, A. (2010, January). A scalable, accurate hybrid recommender system. In ۲۰۱۰ Third International Conference on Knowledge Discovery and Data Mining (pp. 94-98). IEEE.
Sikka, R., Dhankhar, A., & Rana, C. (2012). A survey paper on e-learning recommender system. International Journal of Computer Applications, ۴۷(۹), ۲۷-۳۰٫
Bedi, P., Kaur, H., & Marwaha, S. (2007, January). Trust Based Recommender System for Semantic Web. In IJCAI (Vol. 7, pp. 2677-2682).
Ricci, F., & Nguyen, Q. N. (2007). Acquiring and revising preferences in a critique-based mobile recommender system. IEEE Intelligent systems, ۲۲(۳), ۲۲-۲۹٫
Jain, S., Grover, A., Thakur, P. S., & Choudhary, S. K. (2015, May). Trends, problems and solutions of recommender system. In International conference on computing, communication & automation (pp. 955-958). IEEE.
Kumar, M., Yadav, D. K., Singh, A., & Gupta, V. K. (2015). A movie recommender system: Movrec. International Journal of Computer Applications, ۱۲۴(۳).
Alhijawi, B., & Kilani, Y. (2020). The recommender system: A survey. International Journal of Advanced Intelligence Paradigms, ۱۵(۳), ۲۲۹-۲۵۱٫
Wang, D., Liang, Y., Xu, D., Feng, X., & Guan, R. (2018). A content-based recommender system for computer science publications. Knowledge-Based Systems, ۱۵۷, ۱-۹٫
Chamoso, P., Rivas, A., Rodríguez, S., & Bajo, J. (2018). Relationship recommender system in a business and employment-oriented social network. Information sciences, ۴۳۳, ۲۰۴-۲۲۰٫
Ahmadian, S., Joorabloo, N., Jalili, M., Ren, Y., Meghdadi, M., & Afsharchi, M. (2020). A social recommender system based on reliable implicit relationships. Knowledge-Based Systems, ۱۹۲, ۱۰۵۳۷۱٫
Felfernig, A., Boratto, L., Stettinger, M., & Tkalčič, M. (2018). Group recommender systems: An introduction. Springer International Publishing.
Varga, E. (2019). Recommender systems. In Practical Data Science with Python 3 (pp. 317-339). Apress, Berkeley, CA.
Mansur, F., Patel, V., & Patel, M. (2017, March). A review on recommender systems. In ۲۰۱۷ International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS) (pp. 1-6). IEEE.
Deldjoo, Y., Di Noia, T., & Merra, F. A. (2020, January). Adversarial machine learning in recommender systems (aml-recsys). In Proceedings of the 13th International Conference on Web Search and Data Mining (pp. 869-872).
Tarus, J. K., Niu, Z., & Mustafa, G. (2018). Knowledge-based recommendation: a review of ontology-based recommender systems for e-learning. Artificial intelligence review, ۵۰(۱), ۲۱-۴۸٫
Patel, B., Desai, P., & Panchal, U. (2017, March). Methods of recommender system: A review. In ۲۰۱۷ international conference on innovations in information, embedded and communication systems (ICIIECS) (pp. 1-4). IEEE.
Bobadilla, J., Alonso, S., & Hernando, A. (2020). Deep learning architecture for collaborative filtering recommender systems. Applied Sciences, ۱۰(۷), ۲۴۴۱٫
هنوز بررسیای ثبت نشده است.