چرا سیستم های توصیه گر به وجود آمدند؟
یکی از مهم‌ترین چالش هایی که در حال حاضر در زندگی بشر وجود دارد، گستردگی و حجم عظیم اطلاعات است. امروزه شبکه‌ی جهانی اینترنت تأثیر گسترده‌ای در فرهنگ و تجارت پیدا کرده است. این تأثیر نتیجه ظهور کاربردهای گسترده‌ای نظیر پست الکترونیک، پروتکل انتقال صدا از طریق اینترنت، تالارهای گفتگو، شبکه‌های اجتماعی و خرید آنلاین است. امروزه خدمات متعددی که از طریق اینترنت عرضه می‌شود، آن را به جزئی جدائی‌ناپذیر در زندگی افراد تبدیل کرده است.
دلیل فراوانی انتخاب‌ها در بسیاری از سیستم‌های آنلاین امروزه سیستم‌های توصیه‌گر نقش بسیار پررنگ‌تر و مهم‌تر از گذشته ایفا می‌کنند. برای افراد، استفاده از این سیستم‌ها به معنی استفاده بهتر و کارآمدتر از اطلاعات خواهد بود. هنگامی‌که کاربران به دنبال آیتمی متناسب با نیازها و علایق خود هستند، با حجم عظیمی از اطلاعات مواجه می‌شوند که از محتوای بسیاری از آن‌ها آگاهی ندارند.
در نتیجه تصمیم‌گیری و انتخاب برای آن‌ها بسیار سخت و در بعضی موارد غیرممکن می‌شود. در پاسخ به این چالش سیستم‌های توصیه‌گر برای پالایش اطلاعات در حجم‌های عظیم و ارائه پیشنهادهای مناسب باعلاقه و شخصیت کاربران به وجود آمدند.
به‌علاوه کمپانی‌ها و شرکت‌های بزرگ نیز این سیستم‌ها را به کار گرفته تا ترجیحات مشتریانشان را به بهترین شکل هدف بگیرند و مناسب‌ترین آیتم را به آن‌ها پیشنهاد دهند. سیستم‌های توصیه‌گر یکی از انواع سیستم‌های هوشمند می‌باشند که این وظیفه را به عهده دارند. یکی از مهم‌ترین کاربردهایی که در طی دهه اخیر مورد توجه بسیاری قرار گرفته است، خریدهای اینترنتی است.
در خرید از طریق اینترنت افراد می‌توانند به راحتی و با صرف زمانی اندک اجناس موردنیاز خود را انتخاب و خریداری کنند. در کنار مزایای بی‌شماری که می‌توان برای این کاربرد ذکر کرد، گستردگی و حجم عظیم اطلاعاتی که در فضای وب وجود دارد و پیوسته در حال رشد است، باعث به وجودآمدن چالش‌هایی در این زمینه شده است. هنگامی که افراد به دنبال محصولی مطابق با نیازها و علایق خود هستند، با حجم عظیمی از اطلاعات مواجه می‌شوند. علاوه بر این آیتم‌های بسیاری وجود دارند که کاربران از محتوای آن‌ها اطلاعی ندارند.
در نتیجه فرآیند تصمیم‌گیری و انتخاب برای آن‌ها بسیار دشوار و حتی در بعضی موارد غیرممکن می‌شود. سیستم‌های توصیه‌گر راه‌حلی برای پالایش اطلاعات در حجم‌های زیاد و ارائه پیشنهادهای متناسب با شخصیت و علاقه‌ی کاربر است. برای تعریف ملموس‌تری از سیستم‌های توصیه‌گر، می‌توان فردی را تصور کرد که چندین بار به فروشگاهی برای خرید اجناس موردنیازش مراجعه می‌کند.
فروشنده پس از مدتی با سلایق و نیازهای مشتری آشنا شده و می‌تواند راهنمای بهتری برای او باشد. حتی می‌تواند پیش‌بینی کند که کدام اجناس با احتمال بیشتری موردپسند مشتری قرار خواهند گرفت و با پیشنهاد آن‌ها به مشتری میزان فروش خود را افزایش دهد. سیستم‌های توصیه‌گر در فضای مجازی نقش مشابه‌ای را ایفا می‌کنند. آن‌ها می‌توانند با یادگیری رفتار، سلایق و نیازهای مشتریان، در ارتقای کیفیت تصمیم‌گیری و صرفه‌جویی در زمان آن‌ها تأثیر قابل توجهی داشته باشند.
این سیستم‌ها قادرند با تحلیل رفتار کاربران میزان علاقه‌مندی آن‌ها به آیتم‌هایی که تاکنون ندیده‌اند را تخمین زده و با پیشنهاد آیتم‌هایی که احتمال علاقه‌مندی کاربر به آن‌ها بیشتر است او را در امر تصمیم‌گیری و انتخاب یاری کنند.
سیستم توصیه‌گر
سیستم‌های توصیه‌گر ابزاری هستند که با به‌کارگیری روش‌های مختلف، میزان علاقه کاربر موردنظر که اصطلاحاً “کاربر هدف” نامیده می‌شود را به آیتمی که تاکنون ندیده است تخمین زده و با توجه به امتیاز به‌دست‌آمده برای هر آیتم، تصمیم می‌گیرند چه آیتم و یا خدماتی را به کاربر پیشنهاد کنند. این سیستم‌ها در اواسط 1990 و از زمانی که اولین مقالات در زمینه پالایش گروهی مطرح شد، به یکی از بحث‌های مهم تحقیقاتی تبدیل شدند؛ به‌گونه‌ای که در صنعت و محیط‌های آکادمیک کارهای زیادی برای توسعه روش‌های جدید در این زمینه انجام گرفت.
به‌کارگیری این سیستم‌ها در تجارت الکترونیک بسیار رایج شده است. به طوری که تعداد زیادی از فروشگاه‌های مجازی و وب‌سایت‌ها با استفاده از این سیستم‌ها خدمات مختلفی را به کاربران عرضه می‌کنند.چالش اصلی برای مطرح کردن و به وجود آمدن سیستم‌های توصیه‌گر در سال‌های اولیه حل مشکل سربار اطلاعاتی و همچنین کشف و بررسی اطلاعات در بستر اینترنت و وب بوده است.
تپستری اولین سیستم توصیه‌گر بود که بر اساس این ایده که با شرکت‌دادن کاربران در فرایند کشف و بررسی و فیلترینگ اطلاعات، کارائی این اعمال انجام شده بالاتر خواهد بود در مرکز تحقیقات زیراکس پارک انجام گرفت.
مثال از سیستم های توصیه گر استفاده شده
برای نمونه در جدول زیر فهرستی از مهم‌ترین وب‌سایت‌هایی که از سیستم‌های توصیه‌گر استفاده می‌کنند، آورده شده است که در بین آن‌ها آمازون با بیش از صد میلیون کاربر یکی از معروف‌ترین وب‌سایت‌هایی است که از این سیستم‌ها بهره می‌برد. همچنین مووی لنز یکی دیگر از وب‌سایت‌هایی است که توانسته با به کارگیری سیستم‌های توصیه‌گر کاربران زیادی را به خود اختصاص دهد.
اگر بخواهیم به بیان ساده تر توضیح دهیم: زمانی که شما وارد سایت مثلا دیجی کالا می شوید و آیتمی رو انتخاب می کنید،در بخش پایین سایت، لیستی از آیتم های مرتبط با اون رو مشاهده میکنید. اینکار باعث می شود زودتر به محصولات مورد نظرتون دسترسی داشته باشید و روند خریدتون سریع تر انجام بگیرد.
سیستم‌های توصیه‌گر اطلاعات مربوط به کاربر را با استفاده از روش‌ها و منابع مختلف برای پیش‌بینی اینکه کدام کاربر نیاز به توصیه دارد، پس از تجزیه و تحلیل این فرآیند کسب می‌کند. شکل یک مفهوم کلی سیستم‌های توصیه‌گر را با تطبیق نمایه کاربر با نمایه کاربران دیگر برای آیتم‌های رایج بین آن‌ها توصیه می‌کند. نرم‌افزار موتور توصیه‌گر بر اساس اینکه کاربران به چه چیزهایی علاقه دارند، گوش می‌دهند و یا نگاه می‌کنند توسط سه تکنیک “پالایش گروهی”، “مبتنی بر محتوا” و “ترکیبی” عمل توصیه را انجام می‌دهد.
سیستم مبتنی بر محتوا
این روش بر مبنای توصیف آیتم ها با کلمات کلیدی و ایجاد پروفایل بر اساس اولویت های کاربر است. در واقع، الگوریتم مواردی را براساس تشابهات با علایق کاربر در گذشته توصیه می کند، یعنی مواردی که قبلا توسط کاربر امتیازدهی شده با ایتم موجود مقایسه کرده و بهترین تطابق را توصیه می کند.
در شکل زیر معماری سیستم توصیه گر مبتنی بر محتوا را مشاهده می کنید. طبق شکل مراحل فرآیند توصیه در سیستم های توصیه گر مبتنی بر محتوا به شرح زیر است:
- تحلیل گر محتوا: هنگامی که هیچ ساختار مشابهی ندارند، بعضی از انواع مراحل پیش‌پردازش نیازمند این است که استخراج اطلاعات مرتبط، ساختاریافته باشد. آیتم های داده از طریق تکنیک های استخراج ویژگی به منظور تغییر نمایش آیتم اطلاعات اصلی به هدف مورد تجزیه و تحلیل قرار می گیرند. تحلیل گر محتوا به عنوان ورودی “گیرنده مشخصات” و “مولفه پالایش” است.
- گیرنده مشخصات: این مدل از طریق جمع‌آوری داده های ترجیحات کاربر، پروفایل کاربر را می‌سازد و سعی می کند این داده ها را تعمیم دهد. به طور معمول استراتژی تعمیم از طریق تکنیک های یادگیری ماشین، که قادر به درک یک مثال خوب از علایق کاربر و شروع از آیتم های پسندیده در گذشته هستند، تحقق می یابد.
- مولفه پالایش: این مدل از اطلاعات نمایه کاربر برای یافتن تطبیق موارد مرتبط به فهرست آیتم استفاده می کند.
یک نمونه از سیستم توصیه گر مبتنی بر محتوا سیستم توصیه گر کتاب لایبرا (LIBRA) است. این سیستم کتاب ها را با استخراج شرح کتاب ها در سایت آمازون توصیه می کند.لایبرا نمایه ی کاربر را مطالعه کرده و کتاب ها را با استفاده از رتبه بندی های کاربر و همچنین ویژگی های استخراج شده از صفحات وب سایت پیشنهاد می دهد. در سیستم توصیه گر مبتنی بر محتوا اطلاعات مربوط به آیتم و کاربر، ورودی سیستم را تشکیل می دهند.
سیستم مبتنی بر پالایش گروهی
این روش تحت عنوان پالایش اجتماعی نیز شناخته می شود. همانطور که در شکل زیر نشان داده شده است، اطلاعات با استفاده از توصیه ی افراد مختلف پالایش می شود. این تکنیک براساس این ایده کار می کند که افرادی با ارزیابی ایتم های خاص یا علایق و ترجیحات مشابه در گذشته موافق بودند، در آینده نیز موفق خواهند بود. بنابراین یک گروه یا یک همسایگی ایجاد می کند. در این سیستم ها بیشتر تمرکز بر روی شباهت بین کاربران است. شکل زیر یک نمونه پالایش گروهی برای توصیه ی مقاله را نشان می دهد.
سیستم های توصیه گر گروپ لنز(GroupLens) و رینگو (Ringo) جزء اولین سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی بودند. اساس کار سیستم گروپ لنز توصیه مقلات یوزنت بر اساس امتیاز کاربران بود که از ارتباطات بین کاربران به عنوان شباهت استفاده کرده است.
سیستم گروپ لنز توصیه مقاله در زمینه اخبار برای فروم های الکترونیکی یوزنت بود و این وظیفه را با به‌کارگیری دو سرویس رایگان برای یوزنت انجام می داد. اولین سرویس، به این صورت بود که در ابتدا کاربر با مطالعه و بررسی مقاله، امتیازدهی انجام می دهد و نظر این کاربر با نظرات کاربران سایر گروه مقایسه می شود و در نتیجه کاربر با نظرات موافق و مخالف با خود مطابقت داده می شود.
سیستم های ترکیبی
این سیستم ها از ترکیب دو تکنیک ذکر شده یعنی تکنیک مبتنی بر محتوا به همراه پالایش گروهی استفاده می کنند، که می تواند در برخی مواقع موثرتر عمل کند. بنابراین، هیچ سیستم توصیه گر تنهایی یافت نمی شود که برای تولید ترجیحات توصیه مرتبط و دقیق به اندازه کافی کارآمد باشد.
در این مقاله سعی کردم سیستم های توصیه گر و انواع آن را کامل توضیح بدم. در مقالات آتی راجع به چالش های این سیستم ها و روش های بهبود آن صحبت خواهیم کرد.
