بخشی از مقاله
چکیده
امروزه سیستمهای توصیه گر بهعنوان موضوعی بسیار مهم و ضروری در بسیاری از حوزهها ازجمله توصیه محصولات، گردشگری، فیلم، کتاب، اخبار و ... محسوب میشوند. با بهرهگیری از این سیستمها، تعداد بسیار زیادی از سایتها، محصولات خود را به مشتریان ارائه میدهند. ارائه چنین توصیههایی، سبب میشود مصرفکنندگان تصمیم مناسبی برای انتخاب محصولات موردنظر خود، اخذ نمایند که این امر، رضایتمندی کاربران را در پی خواهد داشت.
سیستمهای توصیه گر، شاخهای از سیستمهای بازیابی و تطبیق اطلاعات میباشند که با شناسایی علاقهمندیها و نیازمندیهای کاربران در دستیابی به اطلاعات یا خدمات موردنظر در میان حجم انبوهی از انتخابها به آنها یاری میرسانند. امروزه سیستمهای توصیه گر جدیدی ارائهشده است که در آن از رویکردهای چندبعدی استفاده میشود. این رویکردها میتوانند توصیهها و پیشنهادها را بر اساس اطلاعات زمینه و کمکی علاوه بر اطلاعات خاص کاربران، ارائه دهند. این رویکردها امکان پشتیبانی از ابعاد مختلف، پروفایل ھای گسترده و تجمیع سلسله مراتبی پیشنهادها را فراهم مینمایند. در این تحقیق رویکردهای توصیه گر چندبعدی را موردبررسی قرار میدهیم.
-1 مقدمه
با رشد اطلاعات موجود در وب، کاربران با مشکلاتی ازجمله سربار اطلاعاتی مواجه هستند که سیستمهای توصیه گر برای مقابله با این مشکلات طراحیشدهاند. باید توجه داشت که سیستمهای توصیه گر تنها محدود به تجارت الکترونیکی نبوده و میتوانند برای جستجو و یافتن مناسبترین، کارآمدترین و بهروزترین نتایج در جستجوگرهای مختلف مورداستفاده قرار گیرند. ظهور سیستمهای توصیه گر مشتری محور در بازاریابی که از تجارب گذشته و ترجیحات مشتریان استفاده می نمایند، بهعنوان پایهای جهت ارائهی توصیههای شخصی به مشتریان محسوب می شوند.
[8, 7] در سالهای اخیر سیستمهای پیشنهاددهنده زیادی توسعه دادهشدهاند و تحقیقات زیادی در جهت بهبود روشهای سنتی سیستمهای توصیه گر ارائهشده است. بخش مهمی از تحقیقات بر مبنای ارائه روشهایی در خصوص پیشنهاد آیتم ھا به کاربران و بالعکس بوده است. مدل توصیه گر چندبعدی - مدل توصیه گر - MD توسط Adomavicius و - 2001 - Tuzhilin بهعنوان ساختار جدیدی در توصیه گرها جهت جمعآوری و تجزیهوتحلیل دادههای چندبعدی و حل مشکلات مطرح شد .[9] چهار ویژگی در مدل MD عبارت است از: - 1 ابعاد متعدد، - 2 قابلیتهای پروفایل، - 3 تجمیع قابلیتها و - 4 قابلیتهای چند جنبهای. در ادامه این مقاله، به بررسی سیستمهای توصیه گر و توصیه گرهای چندبعدی پرداخته میشود.
-2 سیستمهای توصیه گر
سیستمهای توصیه گر با تحلیل رفتار کاربر، اقدام به پیشنهاد مناسبترین اقلام - داده، اطلاعات، کالا و... - مینمایند. این سیستمها به کاربر خود کمک میکنند تا از میان حجم عظیمی از اطلاعات، سریعتر به هدف خود نزدیک شوند. در سیستمهای توصیه گر با استفاده از اطلاعات حاصل شده از کاربر و آیتم، اولویتهای کاربر شناسایی شده و جهت پیشنهاد مناسبترین و مشابهترین توصیه با علایق و خواستههای مشتریان، مورد استفاده قرار می گیرند - شکل . - 1
سیستمهای توصیه گر
در سیستمهای توصیه گر تلاش بر این است که با حدس زدن شیوه تفکر کاربر - به کمک اطلاعاتی که از نحوی رفتار وی یا کاربران مشابه با وی و نظرات آنها بدست می آیند - ، مناسبترین و نزدیکترین آیتم به سلیقه وی را شناسایی و به کاربر پیشنهاد کنند. این سیستمها در حقیقت همان فرایندی را دنبال میکنند که افراد در زندگی روزمره خود به کار میبرند و طی آن تلاش میکنند تا افرادی با سلایق نزدیک به خود را یافته و از آنها در مورد انتخابهایشان نظر بخواهند. توصیههایی که از سوی سیستمهای توصیه گر ارائه میشوند بهطورکلی میتوانند دو نتیجه در برداشته باشند:
. کاربر را در اخذ تصمیم یاری میکنند - به عنوان مثال، از میان چندین گزینه پیش رو کدام بهتر است و آن را انتخاب کند و ... - .
. موجب افزایش آگاهی کاربر، در زمینهی موردعلاقه وی میشود - به عنوان مثال در حین ارائه توصیه به کاربر موجب میشود تا وی با اقلام و اشیاء جدیدی کهقبلاً آنها را نمیشناخته، آشنا شود - . اطلاعات شخصیسازیشده میتواند به مشتریان برای افزایش وفاداری مشتری و افزایش فروش و دستیابی به مواردی که تنها در وب به مصرفکنندگان ارائه میشود، توصیه شوند. با طراحی و ساخت یک سیستم توصیه گر، نظرات کاربران جمع آوری شده و بررسی می گردد که آیا کاربران به نتایج جستجوی مورد نظر خود رسیدهاند یا خیر؟ پس از آن، نظرات کاربران به همراه نیازهای آنها، جهت توصیه مورداستفاده قرار میگیرند.
باگذشت زمان، سیستم از بازخوردهای کاربران آموزش دیده و میتواند از آن بهعنوان اطلاعاتی ارزشمند استفاده نماید .[14] در سیستمهای توصیه گر سنتی، کاربران - u - و آیتمها - i - بهعنوان اطلاعات موجود در سیستم استفاده میشوند. سیستمهای توصیه گر سنتی میتوانند از مقادیر ماتریس دوبعدی - u*i - استفاده نموده و تابع رتبهبندی کاربر-آیتم r - u,i - را محاسبه نمایند - رابطه .[9] - 1 در صورتی که فضای توصیه شامل ابعاد دیگری مانند کاربران، آیتمها و زمان باشد، فضای سهبعدی u* i *t نمایش داده میشود و تابع رتبه بندی به صورت r - u,i,t - محاسبه خواهد شد . [3] اطلاعات کمکی دیگری مانند زمان، مکان، مشارکت افراد دیگر، میتواند توصیهها را تحت تأثیر قرار دهد.
[5] در برنامههای کاربردی، شخصیسازی توصیه بهترین گزینه جهت رضایتمندی کاربران است. صنعت گردشگری، رستوران و فروش محصولات بارزترین برنامه هایی هستند که در این زمینه ایجاد شده اند، زیرا عوامل انتخاب مشتری تنها توسط خود او و علایق وی ایجاد میشوند .[11] در این موارد، محیط واقعی کاربر نیز قبل از تصمیمگیری در نظر گرفته می شود. بهعنوانمثال، در صنعت گردشگری مسافران در طول تعطیلات - تعطیلات آخر هفته، تعطیلات تابستان و ... - مسافرت میکنند که میزان اهمیت توصیه نسبت به زمان را نشان میدهد. بنابراین، علاوه بر ترجیح مشتری، علاقه و اولویتهای وی، زمان نیز باید به عنوان فاکتوری جدید در نظر گرفته شود. همانگونه که ذکر شد، یک توصیه گر نهتنها باید به دو عامل کاربر و آیتم توجه داشته باشد، بلکه بایستی عوامل کلیدی دیگری را در ارائه توصیه در نظر بگیرد. این نوع توصیه گرها مدل توصیهگر چندبعدی - MD - * نامیده میشوند.
- 1- 2 روشهای توصیه سنتی
روشهای توصیه گر سنتی بهصورت عمده به روشهای مبتنی بر محتوا، پالایش مشارکتی و مبتنی بر دانش طبقهبندیشده است. در ادامه این رویکردها را به صورت خلاصه شرح می دهیم.
-1-1-2 رویکرد مبتنی بر محتوا
از یک سری مشخصات مجزای یک آیتم برای پیشنهاد آیتمهای دیگر با ویژگیهای مشابه، استفاده میکند. بهعبارتدیگر، آیتمهای کاندید با آیتمهایی کهقبلاً توسط کاربر ارزیابیشده بودند، مورد مقایسه قرارگرفته و آیتمهایی که بهترین انطباقها را با معیارهای کاربر داشته باشند، پیشنهاد میگردند.