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