طاهره حیدری

0 | 0

بازديد : 75 مرتبه

تاريخ : چهارشنبه 12 بهمن 1390

تعریف:

هدف یک سیستم توصیه گر ، تولید توصیه های با معنی به مجموعه ای از کاربران برای اقلام یا محصولاتی که ممکن است کاربران به آن علاقه داشته باشند.

پیشنهاداتی که برای کتابها در Amazon ، یا فیلم ها در Netfix ، مثال های واقعی جهان ، از عملکرد سیستم های توصیه گر نیرومند صنعتی است.

طراحی چنین موتورهای توصیه گری ، بستگی به دامنه و ویژگی های خاص داده در دسترس دارد.

برای مثال ، بینندگان فیلم در Netfix ،غالبا مقیاس رتبه بندی را از 1(دوست نداشتن) تا 5 (دوست داشتن)فراهم می کنند.

این چنین منبع داده ، کیفیت تعامل بین کاربران و اقلام را ثبت می کند.

علاوه بر این ، این سیستم ممکن است به مشخصات کاربر خاص و یا بخش خاص دسترسی داشته باشد ، مشخصاتی از قبیل آمارگیری وبدست آوردن (ترتیب) شرح محصولات

سیستم های توصیه گر در روشی که منابع داده را تجزیه و تحلیل می کنند ، برای توسعه مفاهیم وابستگی بین کاربران و اقلامی که برای شناسایی جفت های همسان هستند ، که مورد استفاده قرار می گیرند ، میتوانند متفاوت باشد.

سیستم های صافی سازی تجمعی (پالایش گروهی) به تنهایی تعملات مهم (تاریخی) را تجزیه و تحلیل می کنند در حالی که سیستم های فیلترینگ محتوا محور بر اساس ویژگی های برجسته (مشخصات) پایه ریزی شده اند و تکنیک های پیوندی سعی در ترکیب هر دوی این طرح ها را دارند.

معماری و ارزیابی سیستم های توصیه گر در مورد مسائل جهان واقعی یک منطقه فعال پژوهشی است.

برداشت خودم به زبان ساده تر:

هدف سیستم های توصیه گر ، توصیه های با معنی به مجموعه ای از کاربران است که ممکن است آن کاربران به این محصولات و یا اقلام علاقه داشته باشند.

مثلا کتابهایی که در سایت Amazon و یا فیلم هایی که در سایت Netfix پیشنهاد میشود ، مثال های واقعی از سیستم های توصیه گر صنعتی هستند.

(یعنی در این سایت ها بنا به علاقه کاربر ، یکسری کتاب یا فیلم به او پیشنهاد میشود.)

البته طراحی موتورهای توصیه گر به دو عامل

۱- دامنه

۲- ویژگی های خاص داده هایی که در دسترس هستند

بستگی دارد.

(یعنی دامنه اطلاعات ما در مورد علایق کاربر و داده هایی که در دسترس داریم چقدر است.)

و ارتباطی که هر کاربری با اقلام خاصی دارد ، ثبت میشود ، تا بعدا از آن استفاده کنند ، که مثلا فلان کاربری به چه داده ای علاقه داشته است.

که علاوه بر این سیستم های توصیه گر ممکن است به مشخصات کاربر خاص یا اقلام خاصی دسترسی داشته باشند.

یعنی سیستم های توصیه گر هم علاقه کاربران را ذخیره می کنند و هم به اطلاعات شخصی کاربران ، که علاقه آنها را مشخص می کند دسترسی دارند.

روش سیستم توصیه گر برای تجزیه و تحلیل کردن منابع داده ممکن است متفاوت باشد .

مثلا برای مشخص کردن اینکه بین کاربران و اقلام چه ارتباطی وجود دارد از روش های گوناگونی استفده می کنند.(مثلا فلان کاربری به چه رنگ لباسی علاقه دارد که لباس های مختلف با آن رنگ به او پیشنهاد شود.)

سیستم های توصیه گر انواع مختلفی دارند .(البته این دسته بندی در مقالات یا متون خاصی با هم متفاوت است)

سیستم های صافی سازی تجمعی به تنهایی قادرند تعاملات تاریخی و مهم که قبلا اتفاق افتاده را تجزیه و تحلیل کنند.

در حالی که سیستم های فیلترینگ محتوا محور بر اساس ویژگی های برجسته پایه ریزی شده است .

(یعنی ویژگی هایی که ، کاربر فعال که به آن ابراز علاقه کرده است به کاربر توصیه میشود.)

و در سومین روش:

تکنیک های پیوندی سعی می کنند روشهای فیلترینگ صافی سازی تجمعی و فیلترینگ محتوا محور را با هم ترکیب کنند.

پژوهش در مورد معماری و ارزیابی سیستم های توصیه گر موضوع و پژوهش بروزی است.

ادامه ترجمه را در روزهای آینده قرار میدهم.

موفق باشید

ارسال توسط طاهره حیدری | امتياز : 0 | نظر شما : 1 2 3 4 5 برچسب ها: ,

توضیح کلی در مورد ترجمه

0 | 0

بازديد : 37 مرتبه

تاريخ : چهارشنبه 12 بهمن 1390

سلام خدمت استاد گرامی وهمه دوستان

مقاله ای که در مورد سیستم های توصیه گر داشتم را به صورت قسمت به قسمت ترجمه آن را در سایت قرار میدهم.

در پایان هر بخش هم برداشت خودم را به صورت ساده تر که برگرفته از همان قسمت مقاله است قرار میدهم.

سعی میکنم در پایان کار هم ترجمه آن را به صورت یکجا در سایت قرار دهم .

امیدوارم که مورد توجه استاد گرامی و همه دوستان قرار گیرد.

مرجع آن هم فایل pdf ای است که لینک آن را قرار میدهم.

http://vikas.sindhwani.org/recommender.pdf

ارسال توسط طاهره حیدری | امتياز : 0 | نظر شما : 1 2 3 4 5 برچسب ها: ,

سیسستم های توصیه گر(گزارش 1)

0 | 0

بازديد : 183 مرتبه

تاريخ : چهارشنبه 12 بهمن 1390

با سلام خدمت استادو همه دوستان گرامی

نتیجه تحقیقاتم در مورد سیستم های توصیه گر را نوشته ام ،امیدوارم مورد توجه قرار گیرد.

مقدمه

سیستم توصیه‌گر (به انگلیسی: Recommender System) یا سامانه پیشنهادگر، با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب‌ترین اقلام (داده، اطلاعات، کالا و...)می‌نماید. این سیستم رویکردی است که برای مواجهه با مشکلات ناشی از حجم فراوان و رو به رشد اطلاعات ارائه شده‌است و به کاربر خود کمک می‌کند تا در میان حجم عظیم اطلاعات سریع‌تر به هدف خود نزدیک شوند. برخی سامانه پیشنهادگر را معادل پالایش گروهی (به انگلیسی: Collaborative filtering) می‌دانند.

می‌توان گفت که ما در میان حجم عظیمی از داده و اطلاعات قرار گرفته‌ایم که بدون راهنمایی و ناوبری درست ممکن است انتخاب‌هایی غلط و یا غیر بهینه از میان آن‌ها داشته باشیم. سیستم‌های توصیه‌گر سیستم‌های تأثیرگذار در راهنمایی و هدایت کاربر، در میان حجم عظیمی از انتخاب‌های ممکن، برای رسیدن به گزینه مفید و مورد علاقه وی هستند به گونه‌ای که این فرآیند، برای نفس همان کاربر، شخصی‌سازی شده باشد.

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 وی و نظرات آن‌ها داریم) به وی مناسب‌ترین و نزدیک‌ترین کالا به سلیقه او را شناسایی و پیشنهاد کنیم.

توصیه‌هایی که از سوی سیستم‌های توصیه‌گر ارائه می‌شوند به طور کلی می‌توانند دو نتیجه در برداشته باشند :

کاربر را در اخذ تصمیمی یاری می‌کنند (که مثلاً از میان چندین گزینه پیش رو کدام بهتر است و آن را انتخاب کند و ... ).
موجب افزایش آگاهی کاربر، در زمینه مورد علاقه وی می‌شود (مثلاً در حین ارائه توصیه به کاربر موجب می‌شود تا وی با اقلام و اشیاء جدیدی را که قبلاً آنها را نمی‌شناخته، آشنا شود).

تاریخچه

تقریباً در اواسط دهه ۹۰ بود که مطالعه بر روی سیستم‌های توصیه‌گر به عنوان یک شاخه مستقل در تحقیقات مطرح شد و علت این توجه خاص، ابراز تمایل محققین، برای حل مشکل روش‌های توصیه‌گری بود که در رویکرد اولیه به مسئله جستجو در حجم فراوان اطلاعات، از آنها استفاده می‌شد.

کاربردها

سیستم‌های توصیه‌گر کاربردهای فراوانی دارند که برخی از زمینه‌های کاربردی آن به شرح زیر است:

تجارت الکترونیک : برای توصیه محصولات و خدمات مختلف.
اینترانت‌های بنگاهی : برای پیدا کردن افراد خبره در یک زمینه خاص و یا افرادی که در رویارویی با شرایط مشابه، تجاربی کسب کرده و راه حل‌هایی یافته‌اند(بیشتر داخل یک سازمان کاربرد دارد).
کتابخانه دیجیتال: پیدا کردن کتاب، مقاله و ...
کاربردهای پزشکی: انتخاب پزشک متناسب با شرایط (مکان، نوع بیماری، زمان و ...) بیمار، انتخاب دارو و ...
مدیریت ارتباط با مشتری CRM : برای ارائه راهکارهایی برای حل مشکلات تولیدکننده و مصرف‌کننده در زنجیره تأمین.

تعاریف و اصطلاحات عمده

لازم است برای درک مفهوم سیستم توصیه‌گر، مفاهیم چهارگانه و ابتدایی زیر را بررسی کنیم.

در سیستم‌های توصیه گر به کاربری که توصیه جاری در سیستم، برای وی در حال پردازش و آماده شدن است، کاربر فعال یا کاربر هدف می‌گویند.
الگوریتم‌های به کار رفته در این سیستم‌ها، از ماتریسی به نام ماتریس رتبه‌ها استفاده می‌کنند؛ اصطلاحات رایج برای این ماتریس Rating Database و Preference Database نیز هستند.
از فعل مصرف کردن در سیستم‌های توصیه‌گر، زمانی استفاده می‌کنند که کاربر توصیه ارائه شده را می‌پذیرد. به عبارتی وقتی کاربری پیشنهادی را که توسط سیستم به وی شده می‌پذیرد، می‌گوییم کاربر آن پیشنهاد را مصرف کرده، این پذیرش می‌تواند به شکل‌های مختلفی باشد، مثلاً کاربر، کتاب پیشنهادی را می‌خرد، سایت پیشنهادی را مرور می‌کند و یا به شرکت خدماتی ای که به او پیشنهاد شده مراجعه می‌کند. ساختار ماتریس رتبه‌ها بدین گونه‌است که در آن، هر سطر ماتریس نمایانگر یک کاربر و هر ستون آن معرف کالایی (شئای) خاص است.

انواع سیستم‌های توصیه‌گر

سیستم‌های توصیه‌گر به طور کلی به سه دسته تقسیم می‌شوند؛ در رایج‌ترین تقسیم‌بندی، آنها را به سه گروه ۱.محتوا محور ۲.دانش محور و ۳.صافی سازی تجمعی، تقسیم می‌کنند، که البته گونه چهارمی تحت عنوان Hybrid RS هم برای آنها قائل می‌شوند.

یک رویکرد به سیستم‌های توصیه‌گر، استفاده از الگوریتم‌های CF یا صافی سازی تجمعی است. در این رویکرد به جای استفاده از محتوای (Content) اقلام، از نظرات و رتبه‌بندی‌های انجام شده توسط کاربران برای ارائه پیشنهاد، استفاده می‌شود.

در روش محتوا محور، اقلام پیشنهادی، به این دلیل که با اقلامی که کاربر فعال (کاربری که قرار است به او توصیه کنیم) نسبت به آنها ابراز علاقه کرده‌است شباهت‌هایی دارند، به کاربر توصیه می‌شوند ولی در CF، لیست اقلام پیشنهادی، بر اساس این اصل که، کاربرانی، مشابه کاربر فعال، از آنها رضایت داشته‌اند تهیه می‌شود. از این رو واضح است که در روش محتوامحور، تمرکز بر روی یافتن شباهت بین اقلام بوده، در حالی که در CF، تمرکز روی یافتن شباهت بین کاربران است؛ بدین ترتیب که پیشنهادات در CF، بر اساس تشابه رفتاری کاربرفعال با کاربران دیگر صورت می‌گیرد و نه بر اساس تشابه ویژگی کالاهای پیشنهادی با ویژگی‌های کالاهای مورد علاقه وی (کاربر فعال).

اما گونة سوم این سیستم‌ها را با نام سیستم‌های دانش محور می‌شناسند.این سیستم‌ها براساس ادراکی که از نیازهای مشتری و ویژگی‌های کالاها پیدا کرده‌اند، توصیه‌هایی را ارائه می‌دهند. به عبارتی در این گونه از سیستم‌های توصیه‌گر مواد اولیه مورد استفاده برای تولید لیستی از پیشنهادها، دانش سیستم در مورد مشتری و کالا است. سیستم‌های دانش محور از متدهای مختلفی که برای تحلیل دانش، قابل استفاده هستند بهره می‌برند که متدهای رایج در الگوریتم‌های ژنتیک، فازی، شبکه‌های عصبی و ... از جمله آنهاست. همچنین، در این گونه سیستم‌ها از درخت‌های تصمیم، استدلال نمونه‌محور و ... نیز می‌توان استفاده کرد. یکی از رایج‌ترین متدهای تحلیل دانش درسیستم‌های توصیه‌گر دانش محور ،CBR یا روش استدلال نمونه‌محور است.

گونه چهارم سیستم‌های ترکیبی هستند. طراحان این نوع سیستم‌ها دو یا چند گونه از انواع سه‌گانه مذکور را غالبا به دو منظور با هم ترکیب می‌کنند؛ ۱- افزایش عملکرد سیستم ۲- کاهش اثر نقاط ضعفی که آن سیستم‌ها وقتی به تنهایی به کار گرفته شوند، دارند. از میان سه روش موجود (CF و CB و KB)، غالباً روش CF یک پای ثابت این ترکیبات است.