بخشی از مقاله
بررسی و تحلیل فاکتورهای اساسی در طراحی سیستمهای توصیه گر
چکیده
در دنیای جدید اگرچه اینترنت حجم فراوانی از دادهها را به عنوان فرصتی مناسب پیش روی کاربران قرارداده است، اما در صورت نبود مدیریتی کارآمد بر روی انبوه دادههای در دسترس، این امتیاز خود مانعی برای پیشرفت خواهد بود. به طوری که امروزه با توجه به حجم روزافزون داده و اطلاعات، نیاز به سیستمهایی که توانایی هدایت کاربران به سمت کالا و سرویسی مورد نظر را داشته باشند بیش از پیش احساسی می شود. سیستمهای توصیه گر سیستمهای هوشمندی هستند که در فضای اینترنت با شناسایی علایق و اولویتهای کاربر، اطلاعات موجود را پالایشی کرده و پیشنهادات مناسب و مرتبط را به تک تک کاربران ارائه میکنند. سیستمهای توصیه گر ابزاری برای هرچه توانمند کردن شهروندان در بهره برداری از فضای وب محسوب می شوند. با استفاده از سیستمهای توصیه گر، امکان جستجو به دنبال مفاهیمی وجود دارد که در جستجوی عادی دادهها دسترسی به آنها در این مقاله پس از شرح مقدمه ای بر مفاهیم بنیادی سیستمهای توصیه گر، به تعریف و توصیف ویژگیهای آنها خواهیم پرداخت. در ادامه و طی یک طبقه بندی، هشت فاکتور اساسی در طراحی، ساخت و به روز رسانی این سیستمها از دیدگاه ساختاری مورد بررسی قرار گرفته و حدود ده سیستم پیاده سازی شده نیز از منظر این طبقه بندی مورد بررسی و تحلیل قرار
واژگان کلیدی سیستمهای توصیه گر، پالایشی اطلاعات، انباشت اطلاعات، پروفایل کاربر، ساخت پروفایلی، نگهداری پروفایل، استخراج اطلاعات پروفایل
۱- مقدمه
دنیای الکترونیکی در حال حرکت به سمت اشباع اطلاعاتی است. در طول دهه گذشته حجم زیادی از دادهها بر روی سرورهای اطلاعاتی و پایگاههای داده ذخیره شده اند . امروزه میزان دادههای در دسترسی در هر ۵ سال دو برابر می شود و با توجه به تنوع زیاد اطلاعات، بازارها، خدمات و محیطهای کسب و کار، دسترسی به دادههای مناسب برای تصمیم گیری صحیح امری ضروری تلقیمی شود [1]. این حجم بالای داده روی اینترنت و افزایش روز افزون آن کاربران را با مشکل یافتن اطلاعات و کالاهای مناسب در زمان مناسب مواجه کرده است و یافتن داده و اطلاعات نهایی متناسب با نیاز کاربران تبدیل به فرآیندی پیچیده و زمانگیر شده است. در واقع همگام با افزایش انتخابها، حجم اطلاعاتی که باید برای رسیدن به هدف پردازش شوند و به دنبال آن میزان زمان و انرژی مصرفی برای رسیدن به اطلاعات نهایی به طور چشمگیری بالا می رود. در چنین محیط هایی وجود سیستمی با قابلیت شناخت و به روز رسانی علایق و اولویتهای کاربران از یک سو و توانایی شاخص گذاری و ذخیره اطلاعات به روشی قابل جستجو از سوی دیگر، برای پیشی بینی و تشخیصی نیازهای کاربر و هدایت او در جهت یافتن کالاهای متناسب با آن شدیداً احساس می شود. سیستمهای توصیه گر از جمله ابزارهایی هستند که می توانند کاربران را در محیطهای الکترونیکی به سمت یافتن اطلاعات، خدمات و کالاهای مورد علاقه هدایت کنند. سیستمهای توصیه گر با توانایی شناخت کاربر و پیش بینی اولویتهای او، اطلاعاتی که احتمال می رود مورد توجه کاربر باشد را از بین حجم بالای دادهها غربال کرده و با پیشنهاد آنها به کاربر در وقت و انرژی او صرف جویی می کنند. از طرف دیگر این سیستمها با توانایی تحلیلی رفتارهای گذشته کاربر، خدمات و اطلاعات موجودی را که وی توجهی به آن نداشته ولی احتمالا علاقه مند به آن است نیز استنتاج کرده و نتایج جالب توجهی به کاربران پیشنهاد می دهد ا5]. در واقع سیستمهای توصیه گر یکی از ابزارهای اصلی برای غلبه بر مشکل انباشت اطلاعات " بوده 4] و با داشتن قدرت تحلیل رفتارهای کاربر، مکمل هوشمندی برای مفاهیم بازیابی و غربالی اطلاعات هستند. در سالهای اخیر تعداد زیادی سیستم توصیه گر برای شناسایی کاربران، پیشبینی علایق آنها و ارائه ی پیشنهادات، طراحی و پیادهسازی شده اند. در هر یک از این سیستمها با توجه به دامنه کاری و اهداف، مجموعه ای از تکنیکهای ساخت، به روز رسانی و استخراج دادهها به کار گرفته شده اند ولی محور اساسی در تمامی این سیستمها پروفایل کاربر" است. چگونگی ساخت پروفایل و منبع دادهای که در ساخت پیشنهاد استفاده خواهد شد، پروفایل پیش فرض سیستم برای کاربران، چگونگی به روز رسانی اطلاعات پروفایل و منبع این به روز رسانی" و در نهایت تکنیکهای استخراج و استفاده از اطلاعات پروفایل فاکتورهایی هستند که در طراحی یک سیستم توصیه گر جایگاه مهمی دارند [0] در طبقه بندی ارائه شده در این مقاله هر یک از این مباحث به عنوان یکی از ستونهای جدول نهایی در نظر گرفته شده اند. طراح و تحلیلی گر سیستم هنگام طراحی، ساخت و به هنگام سازی سیستم، باید با داشتن دانش کافی در مورد تکنیکهای موجود در هر یک از مطالب، تصمیمات مناسبی در راستای انتخاب آن اتخاذ نماید. امروزه سیستمهای توصیه گر در زمینههای متنوعی از غربالی کردن اخبار موجود در وب متناسب با نیازها و خواستههای کاربر تا تجارت الکترونیکی، پیشنهاد فیلم، موسیقی، کتاب، مقاله و اطلاعات کاربرد دارند. با توجه به جایگاه این ابزار در دنیای الکترونیکی امروز و با در نظر گرفتن نیازهای کاربران برای دریافت اطلاعات مناسب در مکان مناسب و در زمان مناسب ([5])، مقاله ی حاضر تلاش دارد گامی در جهت معرفی سیستمهای توصیه گر به عنوان ابزاری برای توانمندسازی کاربران و در نگاه کلان شهروندان الکترونیکی در یافتن خدمات، کالا، اسناد و اطلاعات مورد نظر خود از میان اطلاعات موجود به صورت بهینه، بردارد.
۲- تاریخچه
ساخت سیستمی هوشمند برای کمک به کاربران در جستجو"، مرتب سازی "، کلاسه بندی "، غربال کردن " و اشتراک اطلاعات "جزء اولین ایدهها برای ایجاد و توسعه ی سیستمهای توصیهگر بوده است. از اواسط دهه ۹۰ تاکنون تعداد زیادی سیستم توصیه گر برای کمک به کاربران در رسیدن به اطلاعات مورد علاقه شان پیادهسازی شدهاند 5] . TapeStry 12] که یک سیستم نامه ی آزمایشی در مرکز تحقیقات XerOX Palo Alto بود بر اساسی این ایده شکل گرفت که اگر افراد در فرآیند پالایش شرکت کنند، پالایش اطلاعات کارایی بالاتری خواهد داشت. سیستم GTOup LenS || 7.8]، توصیه گر مقالات و اخبار یوزنت و RingO [9]، سیستم پیشنهاد موسیقی - نیز در ادامه طراحی و پیادهسازی شدند. علاوه بر این سیستمهای عملیاتی تحقیقاتی نیز در زمینه ی ترکیب سیستمهای توصیه گر و ساخت کاراترین سیستم ممکن توسط
[10] Jo-A, Elze Nguyen Bruke Balabanovic
۳- مروری بر مفهوم سیستمهای توصیه گر
در این قسمت ابتدا به شرح مفاهیم بنیادی و تئوریک در حوزه ی سیستمهای توصیه گر می پردازیم تا زمینه ای برای تحلیل بهتر و ساده تر مفاهیم مرتبط با طراحی و پیاده سازی فراهم شود.
۱-۳ - تعریف
سیستم توصیه گر یا سامانه پیشنهادگر، با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب ترین اقلام (داده، اطلاعات، کالا و...) می نماید. این سیستم رویکردی است که برای مواجهه با مشکلات ناشی از حجم فراوان و رو به رشد اطلاعات ارائه شده است و به کاربر خود کمک می کند تا در میان حجم عظیم اطلاعات، سریع تر به هدف خود نزدیک شود [22]. سیستمهای توصیه گر به کاربرانی که از بین حجم بالای اطلاعات به دنبال نوعی خاصی از اطلاعات مرتبط با اولویتهایشان هستند، پیشنهادات شخصی شدهای را ارائه می دهد. این سیستم با توانایی که در جمع آوری اطلاعات از رفتار و حرکات کاربران، دسته بندی و تفسیر آنها دارند، امکانی فراهم آورده اند که کاربران با صرف زمان و انرژی کمتر به اطلاعات مناسب تری دسترسی پیدا کنند. ایده ی سیستمهای توصیه گر می تواند به کاربرانی که در جستجو، مرتب سازی، دسته بندی، پالایش اطلاعات و به اشتراک گذاری نیازمند مساعدت هستند، کمک نماید.
۳- ۲- شمای کلی یک سیستم توصیه گر
از دیدگاه سیستمی، توصیهگر ماشینی است که با گرفتن ورودی از منابع تعریف شده - کاربر نهایی و دیگر کاربران جامعه
اطلاعاتی و پردازش آنها با استفاده از تکنیکهای پیشنهاد،خروجی منحصر به فردی برای کاربر خاص تولید میکند. این خروجی میتواند یک پیشنهاد ، پیش بینی و یا ارزیابی "از طرف سیستم باشد. در ادامه متغیرهایی چون درجه شخصی سازی" کتے تعیینکننده میزان هماهنگی خروجی با تک تک کاربران است و می تواند طیف وسیعی از خروجی های کاملا شخصی شده برای کاربر تا خروجی های نیمه شخصی " و خروجی های عام " را در بر گیرد، نحوه ی تحویل پیشنهاد" که می تواند به صورت ایمیل یا لیستهای TOD-N باشد نیز با توجه به سیاستهای سیستم، روی خروجی اعمال شده و پیشنهاد نهایی به کاربر ارائه می شود. فرآیند فوق به صورت شماتیک در شکلی (۱) نشان داده شده است.
شکل (۲): شمای کلی یک توصیه گر
۴- انواع سیستمهای توصیه گر
در زمانی نسبتاً کوتاه تعداد زیادی عامل های توصیه گر ایجاد شدند و در حال حاضر تنوع وسیعی از این سیستمها موجود است که همه ی آنها از مزایای مجموعه ی خاصی از تکنیکهای هوش مصنوعی استفاده میکنند. در این مطالعه دو روشی کلی دنبال شده SA A.J.) Spatial x [6] Functional , Spatial : Cl-...| عاملها بر اساسی دامنه های کاری است و روش Functional بر ساختار و چگونگی عملکرد سیستمها تمرکز دارد و دسته بندیی بر اساسی تکنیکهایی که در اجزاء مختلف سیستمهای توصیه گر استفاده می شوند ارائه می کند. روشی اخیر امکان مطالعهی مفهومی سیستمها را فراهم می کند و در نتیجه در این تحقیق زمان بیشتری برای بررسی ان صرف شده است.
5- مطالعه
امروزه سیستمهای توصیهگر در زمینه های متنوعی از پالایش اخبار موجود در وب متناسب با نیازها و خواسته های کاربران تا تجارت الکترونیکی، پیشنهاد فیلم، موسیقی، کتاب، مقاله و اطلاعات کاربرد دارند. در این مقاله، سیستم های توصیه گر از دیدگاه دامنه کاری در ۱۰ رده طبقه بندی شدهاند. جدول (۱) این ردهبندی را به همراه مثالی در هر دامنه نشان میدهد. هر یک از این ردهها می توانند فضای کاری برای پژوهشی در حوزه سیستمهای توصیه گر باشند.
جدول (۱): رده بندی سیستمهای توصیه گر از دیدگاه دامنه های کاری موجود
باید در گام اول انجام شوند. پالایش اطلاعات"، منطبق سازی اطلاعات کاربران با کالاها " و با یکدیگر"، و ساخت پیشنهاد نیز در گام دوم دنبال می شوند. برای درک بهتر این دو فرآیند به شکل های (۲) و (۳) توجه کرده و روند فلشها را در هر یک دنبال کنید [O].
مطالعه
- در این بخشی سیستمهای توصیه گر از دیدگاه کارهایی که باید انجام دهند، مورد مطالعه قرار می گیرند. هدف نهایی یک توصیه گر ساخت پیشنهاد است، بدون شک هنگام تحلیل چگونگی ساخت پیشنهادات، بحث کلیدی پروفایل کاربر۵ است. با این دیدگاه دو گام اصلی در هر سیستم توصیه گر انجام می شود:
• ساخت و نگهداری پروفایل کاربر
• استخراج اطلاعات از پروفایل برای ساخت پیشنهاد
هر یک از این گامها خود به زیر وظیفههایی تقسیم می شوند. نحوه ارائه پروفایل کاربر"، ساخت پروفایل اولیه " در لحظه آغاز به
کار سیستم، استفاده از اطلاعات مدلهای ارائه و به کار گیریتکنیکهای یادگیری پروفایل برای کاربران ، کشف بازخورد
・تبط با و بهنگام کردن پروفایل " از مهمترین اقداماتی است که باید در گام اول انجام شود .پالایش اطلاعاتد ،منطبق سازی اطلاعات کاربران با کالاها و با یکدیگرو ساخت پیشنهاد نیز در گام دوم دنبال می شوند. برای درک بهتر این دو فرآیند به شکل های 2و3توجه کرده وروند فلش ها را در هر یک دنبال کنید.
شکل (۳): روند استخراج اطلاعات از پروفایل در فرآیند تولید پیشنهاد در سیستمهای توصیه گر به تفکیک تکنیک پالایش اطلاعات
۵- معرفی ابعاد طبقه بندی در بخش قبل ۸ فعالیت اساسی که در هر سیستم توصیه گر باید انجام شود بیان شد. برای انجام هر یک از اقدامات فوق با توجه به اهداف خاصی هر سیستم، گروهی از تکنیکهای ریاضی و هوشی مصنوعی به کار میرود. در این بخش با در نظر گرفتن هر یک ازآنها به عنوان یک فاکتور موثر در طراحی و ساخت سیستم نهایی، به معرفی آنها و تکنیکهای موجود در هریک پرداخته می شود. در ادامه، در بخش ۶ هر یک از این فاکتورها را به منزله ی یکی از ابعاد طبقهبندی در نظر خواهیم گرفت. در شکل (۴) شمایی نزدیک ازیک توصیه گر با ذکر این ابعاد آورده شده است.
