بخشی از مقاله
چکیده
استفاده از سیستمهای توصیه گر کاربران را قادر میسازد تا به تولیدات یا مقالاتی دست یابند که در غیر این صورت آنها از ارزش اطلاعاتی که در محیط اینترنت پیدامیشود آگاه نخواهند بود.دو روش قدیمی توصیه،شیوه محتوا محور و جذاسازی مشترک وجود دارد.در حالی که هردو این شیوه ها مزایای خاص خودشان را دارند در عین حال مزایای خاصی نیز دارند و برخی نیز تنها با ترکیب دو شیوه به منظور بهبود کیفیت توصیه،قابل حل خواهند بود.سیستم نهایی به عنوان سیستم توصیه گر ترکیبی شناخته میشود.
در مجموعه هوش مصنوعی، شبکه های بیزین به طور گسترده و موفقیت آمیزی برای حل مسایل با عدم قطعیت بالا به کار می روند.زمینه توصیه،مجموعه متنوعی از آزمایشات را به منظور انجام و به عمل رساندن این ابزارهای احتمالی فراهم می آورد،این مقاله یک نمونه جدیدی از شبکه بیزین را به منظور مواجه با مشکلات توصیه ترکیبی از طریق ترکیب سیستم های محتوا محور و مشترک فراهم می آورد،که به منظور حل مشکلات در دسترس طراحی شده است و با توپولوژی منعطف و ساز و کار،کار آمد برای تضمین ، توضیع های احتمالی مورد نیاز از آنجایی که استنتاج های احتمالی ممکن است انجام شده باشد ، تجهیز شده است. کارایی مدرن با استفاده از Movie Lens و مجموع داده های IMDB اثبات شده است
-1 مقدمه
سیستم های توصیه گر سعی دارند که اولویت های کاربر را کشف کنند و به آنها درباره این که بتوانند نیاز هایشان را پیش بینی کنند آموزش دهند. با توضیح بیشتر یک سیستم توصیه گر ، توصیه های خاصی را برای هر مورد - محصولات یا فعالیت ها - با محدوده معین که ممکن است مد نظر یه کاربر فعال مشخص باشد - P. Resnick, H. R. - Varian,1997 ، فراهم می آورد.
عموما در چارجوب سیستم توصیه ترکیبی تعداد زیادی از محصولات - M - یا موار خاص وجود دارندکه با مجموعه ای ازآیتم ها - - I و این که هر محصول با یک یا چند نوع ویژگی مشخص است - F - تعریف میشود.همچنین تعداد زیادی از کاربرها - U - وجود دارد و برای هر کاربری مجموعه ای از تعیین رده درباره کیفیت موارد مشخص مشاهده شده - I - وجود دارد. تحت این فرمول بندی ما دو مسئله را تشخیص میدهیم :
مورد معین رده بندی نشده ، پیش بینی رده بندی ای که کاربر انجام خواهد داد.
یک کاربری معین ، که بهترین مورد و رده بندی بر اساس توصیه ها و نمایش نتایج با پیش بینی رده بندی ، را میابد. اگرچه هردو مفهوم کاملا به هم مرتبط هستند، این مقاله تنها با نوع اول سروکار داردمثلاٌ، پیش بینی رده بندی . فرمول بندی معمول این مسئله پیش بینی این است که چگونه یک کاربر فعال موردی را که مشاهده نکرده است، تعیین رده خواهد کرد
جدای از شیوه استفاده شده و بر اساس اینکه توصیه ها چگونه ایجاد شده اند سیستم های توصیه گرمعمولاً به دسته های زیر طبقه بندی می شوند: نظام های جداسازی مشترک که تلاش دارند تا گروههایی از مردم را با سلایق مشابه را برای آن کاربران یا مواد توصیه ای ، مشخص کند که آنها پسندیده اند و سیستم های توصیه گر محتوا محور که اطلاعات محتوایی را به منظور ارائه موارد مشابه نسبت به مواردی که کاربرقبلاً ترجیح داده است.به طور کل، سیستم های مشترک عملکرد بهتری را نسبت به رویکردهای محتوا محور نشان می دهند ، اما موفقیت آنها بر حضور و وجود تعداد کافی ای از کاربران تکیه دارد. این چنین سیستم هایی ،این اشکال را دارند که آنها از مشکلات اولیه که در هنگامی که توصیه ها باید بر اساس تعداد محدودی از نرخ بندی و تعیین سطح ، انجام شود، رنج می برند.
در این حالت استفاده از رویکرد محتوا محور به عنوان بدیل ، پدیدار می شود.با این حال این رویکرد ، محدودیت های خاص خودش را دارد. برای مثال، کلید واژه هایی که برای نمایش محتوای آیتم ها بکار می رود ممکن استکاملاً واضح نباشند. همچنین رویکردهای محتوا محور با محدودیت ارائه توصیه های دقیق به کاربران با رده بندی کم،مواجه هستند.
یک رویکرد معمول برای حل مسائل شیوه های بالا، ترکیب شیوه های محتوا محور و اطلاعات مشترک به یک سیستم توصیه گر ترکیبی است
شیوه های ترکیبی متفاوت که توصیه شده اند، مثل استفاده از معیار وزنی - نمره توصیه ها متفاوت به صورت عددی ترکیب شده اند - استفاده از تغییر مکانیزم - سیستم از بین توصیه ها انتخاب می کند و مورد انتخابی را به کار می گیرد - و یا حتی ارائه هر دو توصیه با هم و تصمیم گیری را به کاربر واگذار کردن. با این حال ، مشکل معمول با این شیوه ها این است که کنترل پارامترهای ترکیبی باید هماهنگ شوند.
این مجموعه ای است برای برای توصیه ارائه شده در این مقاله ، مثل طراحی یک سیستم ترکیبی با هدف پیش بینی اینکه چگونه یک کاربر فعال یک آیتم مشخص را چگونه رده بندی خواهد کردمشخصاً.، ما استفاده از شبکه بیزین را برای ارائه و نمایش ارتباطات بین کاربران - U - ، آیتم ها I و مشخصه ها و ویژگی ها F و عناصر درگیر در فرآیندهای توصیه ، به دست می دهیم. با استفاده از شبکه های بیزین ، ما می توانیم ارائه کیفی از اینکه کاربران و آیتم ها به هم مرتبط اندمشخصاً - ، ارائه وابستگی و عدم وابستگی ارتباطات در یک ساختار نموداری - را همانطور که یک ارائه کمی بوسیله مجموعه های احتمالی قدرت این روابط را اندازه گیری می کند، با هم ترکیب کنیم.
در طرح توصیه،ما دو بخش متفاوت را تشخیص می دهیم:اولی به منظور ارائه دانشی که ما در باره اینکه چگونه یک کاربر فعال،آیتم ها را امتیاز دهی میکند؛استفاده میکنیم،مثل صفحه شخصی کاربر که هم شامل محتوا محور و هم اطلاعات مشترک است.جزء دوم آن روابطی را نشان می دهد که به آیتم هدف مربوط است.
مایلیم بگوییم که اطلاعات محتوا محور تنها به منظور بهبود دانش کابر فعال استفاده نشده است،اما این اطلاعات به منظور بهبود دانش در یک سطح مشترک استفاده شده اند.
جدول 1 نمونه ای از ماتریس که در بردارنده توضیحات تولیدات و امتیازدهی کاربران است
-2 کارهای مربوطه و مقدمات
بر اساس اینکه توصیه ها چگونه ایجاد میشود سیستم های توصیه گر به دسته های زیر طبقه بندی میشوند:
سیستم های محتوا محور - G. Adomavicius, A. Tuzhilin,2005 - که اطلاعات محتوایی درباره هر آیتم توصیه شده را ذخیره میکند.این اطلاعات برای آیتم های توصیهی به کار خواهد رفت همانند مواردی که قبلا توسط کاربری انتخاب شده است،براساس اینکه آیتم های مشخص چگونه مشابه یکدیگرندیا مشاهبت با انتظارات کاربر - به وسیله زیر ومجموعه ای از ویژگی هایی ارائه شده است - .تمرکز بر رویکردهای احتمالی،یادگیری به عنوان مسئله رضایت مندی محدود مورد توجه قرار گرفته است،در حالی که پروفایل کاربر با عدم وابستگی متنی مورد توجه است
