Grundy
Books
Video Recommender
Video
Ringo
Music
PHOAKS
Textual Information
Jester
Jokes
Fab System
Web page
با افزایش روز افزون اطلاعات، نیاز به وجود این سیستمها بیشتر احساس شده است. این سیستمها پیشنهادات را با بهره گرفتن از انواع مختلف دانش و داده جمع آوری شده در مورد کاربران و اقلام و همچنین بررسی تراکنشهایی مانند بازخوردی[۱۵] که کاربران در گذشته ایجاد کرده اند تولید می کنند. در سادهترین فرم، این پیشنهادات به صورت یک لیستی که بر اساس علائق و نیازهای کاربر مرتب شده به او عرضه خواهد شد.
در [۳] سیستمهای پیشنهادگر براساس فیلترینگ اشتراکی[۱۶]، محتوا[۱۷]، آمارگیری[۱۸]، سود[۱۹]، دانش[۲۰]،و ترکیبی[۲۱] کلاسبندی شدهاند.
۱-۳-۱- سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی
فیلترینگ اشتراکی یکی از رایجترین راهکارها در سیستمهای پیشنهادگر است .[۴] این راهکار اقلامی که کاربران مشابه با کاربر فعال در گذشته به آنها علاقه داشته اند را به او پیشنهاد می کند. شباهت بین کاربران بر اساس نحوه امتیازدهیشان در گذشته محاسبه می شود.
این پایان نامه بر اساس این نوع از سیستمهای پیشنهادگر میباشد که در فصل دوم به تفصیل توضیح داده خواهد شد.
۱-۳-۲- سیستم پیشنهادگر محتوا محور
یکی از پر کاربردترین راهکارها در سیستمهای پیشنهادگر روش محتوا محور میباشد. سیستمهای محتوا محور بر اساس ویژگیهای اقلام تعریف میشوند. آنها بررسی می کنند که کاربر در گذشته چه اقلامی مورد علاقهاش بوده، سپس اقلام مشابه را به او پیشنهاد می دهند. مثلا اگر کسی در گذشته به فیلمی از نوع کمدی امتیار مثبت داده است این سیستم در آینده فیلمهایی از این نوع را به او پیشنهاد می کند. از آنجا که روش پیشنهادی در این پایان نامه از روش محتوا محور استفاده می کند، در فصل پنجم به طور مفصل در مورد سیستم پیشنهادگر محتوا محور بحث خواهد شد.
۱-۳-۳- سیستم پیشنهادگر بر اساس آمارگیری
تکنیک پیشنهاد براساس آمارگیری مبتنی بر اطلاعات آماری کاربران میباشد. دادههایی که در نمایه[۲۲] کاربر وجود دارد مانند جنسیت، سن، وضعیت خانوادگی و … نمونههایی از اطلاعات آماری کاربر میباشد. کاربران بر اساس خصوصیاتشان کلاس بندی میشوند و پیشنهادات بر اساس این کلاسها صورت میپذیرد.
۱-۳-۴- سیستم پیشنهادگر بر اساس سود
سیستمهای بر اساس سود، تابع سود[۲۳] که توسط کاربر تولید می شود را به کار میبرند. به عنوان مثال درقالب پرسشنامه این کار صورت میپذیرد. سپس بر اساس اینکه هر قلم[۲۴] چه مقدار سود برای کاربر دارد پیشنهادات صورت میگیرد. این نوع از سیستمها تکنیکهای ارضای محدودیت[۲۵] را به کار میبرند تا بهترین قلم را پیشنهاد کنند.
۱-۳-۵- سیستم پیشنهادگر بر اساس دانش
سیستمهای پیشنهادگر بر اساس دانش، از دانشی که از خصوصیات اقلام و کاربران استخراج میگردد بهره برداری می کنند. آنها بررسی می کنند که چطور یک قلم بهخصوص می تواند نیازهای کاربر را بر آورده سازد. در سادهترین فرم، دانش مذکور می تواند در فرم درخواست توسط کاربر تولید شود.
۱-۳-۶- سیستم پیشنهادگر ترکیبی
سیستمهای پیشنهادگر ترکیبی دو یا چند تکنیک را ترکیب می کنند تا کارایی سیستم پیشنهادگر را افزایش دهند. مثلا دو تکنیک A وB را ترکیب می کنند که از مزایای تکنیک اول برای بر طرف سازی معایب تکنیک دوم استفاده کنند. مثلا متد فیلترینگ اشتراکی با مشکل قلم جدید و کاربر جدید مواجه میباشد. یعنی قلمی که تا کنون هیچ کس به آن امتیازی نداده است را نمیتواند پیشنهاد کند. در عین حال متد بر اساس محتوا به دلیل اینکه پیشنهادات بر اساس محتوا و ویژگیهای اقلام میباشد نه امتیازات داده شده به آنها، چنین مشکلی را ندارد. پس میتوان از ترکیب این دو متد در برطرف کردن نواقص یکدیگر استفاده نمود.
۱-۴- بررسی سایت Movielens
MovieLens یک سیستم پیشنهادگر فیلم است (شکل شماره ۲). راهکار این سیستم به این صورت است که از کاربر میخواهد به فیلم هایی که تا کنون دیده است در بازه ۱ تا ۵ امتیازدهی کند (شکل شماره ۳). پس از آن امتیازات داده شده از سوی کاربر را ذخیره کرده و از کاربر یک مدل میسازد. زمانی که کاربر درخواست می کند که سیستم فیلمهایی را به او پیشنهاد کند، سیستم مدل کاربر فعال[۲۶] و همچنن مدل کاربرانی که شبیه به او میباشند را استخراج کرده و امتیاز فیلمهایی که کاربر فعال تا کنون ندیده است را از روی مدل کاربران شبیه به او پیش بینی می کند. سپسفیلمهایی که برای آنها امتیاز بالایی پیش بینی شده است را به کاربر فعال پیشنهاد می کند. کاربر لیست پیشنهاد شده از سوی سیستم را مشاهده کرده و فیلمهای مورد علاقهاش را انتخاب می کند (شکل شماره ۴).
شکل شماره ۲ : نمونه صفحهای از سایت Movielens [5]
شکل شماره ۳: نمونه صفحه درخواست امتیازدهی Movielens از کاربر [۵]
شکل شماره ۴ : نمونه صفحه فیلمهای پیشنهادی از سوی Movielens به کاربر [۵]
فرم در حال بارگذاری ...
