بخشی از مقاله
چکیده:
سیستم های توصیه گر سیستم هایی هستند که سعی دارند بر اساس عملکرد، سلیقه های شخصی، رفتارهای کاربر و بسته به زمینه هایی که در آن مورد استفاده قرار گرفته اند، به هر کاربر پیشنهادهایی را ارائه دهند که با تمایلات شخصی وی تطابق داشته و وی را در فرایند تصمیم گیری یاری نمایند. با رشد روز افزون تجارت در دنیای وب، آموزش الکترونیکی، افزایش ارتباط و اشتراک کاربران با یکدیگر و پیدایش شبکه های اجتماعی، لزوم طراحی و پیاده سازی چنین سیستم هایی غیر قابل انکار نیست. ما سیستم های توصیه گر مبتنی بر شبکه اجتماعی را براساس ماتریس user-item پیاده سازی می کنیم ، که ماتریس user-item را به صورت دو بعدی به منظور سهولت و افزایش دقت و سرعت پیاده سازی می کنیم و هم چنین فاکتورهایی دیگری از جمله جنسیت و سن را برای افزایش دقت در توصیه ها در نظر می گیریم .
از الگوریتم خوشه بندی x-means برای دسته بندی کاربران بر اساس میزان سلایق و خصوصیات همچون سن و جنسیت، استفاده می کنیم. در مرحله بعد ما میزان شباهت بین کاربران را مورد بررسی قرار می دهیم که معمولا از ماتریس رتبه بندی استفاده می نماییم ، اگر چه که اطلاعات دیگر همچون تگ ها می تواند در پیدا کردن میزان شباهت ها به ما کمک کند . کاربران می توانند منابع و داده های جالب را به اشتراک بگذارند و هم با کاربران دیگر که سلایق یکسانی دارند در ارتباط باشند. مجموعه داده استفاده شده ترکیبی از Movielens و Livemocha می باشد که در توسط نرم افزارRapidminer پیاده سازی می شود، که نتایج نشان می دهد که تفکیک ماتریسuser-item توسط خصوصیاتی مانند جنس و سن ، که توانست دقت و سرعت در توصیه ها را به طور قابل توجهی افزایش دهد.
کلمات کلیدی: شبکه های اجتماعی ، سیستم های توصیه گر، خوشه بندی، ماتریس user-item ، مجموعه داده
-1 مقدمه:
میتوان گفت که ما در میان حجم عظیمی از داده و اطلاعات قرار گرفتهایم که بدون راهنمایی و ناوبری درست ممکن است انتخابهایی غلط و یا غیر بهینه از میان آن ها داشته باشیم. سیستم های توصیهگر سیستمهای تأثیرگذار در راهنمایی و هدایت کاربر، در میان حجم عظیمی از انتخابهای ممکن، برای رسیدن به گزینه مفید و مورد علاقه وی هستند، به گونهای که این فرایند برای همان کاربر شخصیسازی شده باشد. سیستم های پیشنهاد دهنده با اولین ظهورشان در زمینه فیلتر همبستگی حوزه تحقیقاتی مهمی در اواسط دهه 1990 رافراهم نمود .[1] تعاریف متفاوتی برای سیستمهای توصیهگر ارائه شدهاست. از آن جمله، تعریف کلی نگر و خلاصه آقایTing-peng liang است که RS را زیرمجموعهای از DSSها میداند و آنها را سیستمهای اطلاعاتی تعریف میکند که، توانایی تحلیل رفتارهای گذشته و ارائه توصیههایی برای مسائل جاری را دارا هستند.[2] به زبان سادهتر در سیستمهای توصیهگر تلاش بر این است تا با حدس زدن شیوه تفکر کاربر - به کمک اطلاعاتی که از نحوه رفتار وی یا کاربران مشابه وی و نظرات آنها داریم - به وی مناسبترین و نزدیکترین کالا به سلیقه او را شناسایی و پیشنهاد کنیم. این سیستمها در حقیقت همان فرایندی که ما در زندگی روزمره خود به کار میبریم و طی آن تلاش میکنیم تا افرادی با سلایق نزدیک به خود را پیدا کرده و از آنها در مورد انتخابهایمان نظر بخواهیم. توصیههایی که از سوی سیستمهای توصیهگر ارائه میشوند به طور کلی میتوانند دو نتیجه در برداشته باشند:
· کاربر را در اخذ تصمیمی یاری میکنند - که مثلاً از میان چندین گزینه پیش رو کدام بهتر است و آن را انتخاب کند و غیره -
· موجب افزایش آگاهی کاربر، در زمینه مورد علاقه وی میشود - مثلاً در حین ارائه توصیه به کاربر موجب میشود تا وی با اقلام و
اشیاء جدیدی را که قبلاً آنها را نمیشناخته، آشنا شود - . سیستم های توصیهگر برای هر تعامل - تجاری یا غیرتجاری - ، مفید هستند و مزایایی را فراهم می آورد. برای نمونه در یک تعامل تجاری، مشتریها از این جهت که عمل جستجو در میان حجم زیاد اطلاعات برای آنها تسهیل و تسریع میشود، استفاده از سیستمهای توصیهگر را مفید میدانند؛ فروشندگان به کمک این سیستمها میتوانند رضایت مشتریان را بالا برده و نیز فروش خود را افزایش دهد. با توسعه وب 2 ، مطالعه روی سیستم های توصیه دهنده اجتماعی آغاز گردید. مهمترین خصوصیت در سیستم های توصیه گر دقت می باشد.
سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی در سال های گذشته بیشتر مورد تحقیق و بررسی قرار گرفته است اگر چه در این نوع سیستم ها روابط اجتماعی بین کاربران را نادیده می گیرد ، که در حقیقت میتواند دقت توصیه را بالا ببرد و باعث افزایش توصیه بهتر به کاربران شود. در سال های اخیر مطالعه روی سیستم های توصیه گر مبتنی بر شبکه های اجتماعی به عنوان یک موضوع فعال برای بررسی و تحقیق در بین متخصصان قرار گرفت.همچنین در این مقاله از یک رویکرد تنظیم اجتماعی1 که اطلاعات شبکه اجتماعی را با سیستم های توصیه گر ترکیب می کند، ارائه می دهیم و همچنین از الگوریتم خوشه بندی برای دسته بندی افراد در یک گروه برای توصیه نهایی استفاده می کنیم.
-2 توصیف مدل
در شکل 1 - الف - یک نمونه گراف شبکه ای را نشان می دهد که در این مثال 25 کاربر وجود داردکه از طریق یال به یکدیگر متصل شده اند که این یال ها ارتباط بین دو کاربر را بیان می کند که به صورت یال دو طرفه نشان داده می شودکه در این مقاله کاربران برای نشان دادن علاقه ی خود به یک آیتم ، به آن آیتم تگ می دهد یعنی آن را به عنوان آیتم مورد علاقه ی خود علامت گذاری می کند.که هدف این است مقدار از دست رفته در ماتریس user - Item بدست آید . در شکل - 1ب - ارتباط بین کاربران به صورت ماتریس دو بعدی نشان داده شده است که عدد 1 به معنی این است که ارتباط بین کاربر i و کاربر j برقرار است . در شکل - 1پ - ماتریس اصلی یا همان user - item می باشد که در این ماتریس تگ هایی که کاربران به آیتم ها می دهد، نشان داده می شود به عنوان مثال تگ Tijبدین معنی است که کاربر i به آیتم jتوجه می کند .
شکل 1 نشان می دهد که کاربر1 با کاربر 3 و کاربر4 و کاربر 5 و کاربر 7 و کاربر 8 و کاربر 11 و کاربر 19 در ارتباط است که برای نظر گرفتن می توانند از یکدیگر کمک بگیرند در این مثال سلایق کاربر1 با کاربر3 متفاوت است بنابراین برای نظر گرفتن نمی تواند از کاربر 3 نظر بگیرد در نتیجه از کاربر 4 استفاده می کند، اگر سلایق کاربر1 با هیچکدام از کاربرانی که دوست کاربر 1یکسان نبود می تواند از دوستِ دوست خود استفاده کند - مثلا کاربر . - 5همچنین کاربر 2 با کاربران 3، 4، 6، 14، 16 و 19 در ارتباط است که برای نظر گرفتن می تواند با یکی از این کاربران نظر بگیرد. کاربر 3 با کاربران 2، 7، 11، 13، 15، 21 در ارتباط می باشد. کاربر 4 با کاربران 1، 3، 6، 9، 12، 17، 20 در ارتباط می باشد.کاربر 5 با کاربران 1، 2، 4، 11 و 12؛ و کاربر 6 با کاربران 1 ، 20، 23،22 در ارتباط است و همچنین کاربر 7 با کاربران 1، 10، 17 و 24 در ارتباط است.
کاربر 8 با کاربران 1، 9، 18 و 24 و کاربر 9 با کاربران 8، 10، 11، 14 و 21 و کاربر 10 با کاربران 7، 9، 13 و 25 در ارتباط است. کاربر 11 با کاربران 1، 3، 5 ، 9، 15 در ارتباط می باشد.در صورتی که تعداد کاربران و تعداد آیتم ها در ماتریس user-item زیاد باشد باعث می شود اندازه ماتریس ما بزرگ باشد و این موضوع باعث می شود که دقت و سرعت در توصیه کاهش یابد بنابراین ما برای بهبود این مشکل خصوصیت سن و جنسیت را به ماتریس اصلی یعنی ماتریس user-item اضافه می کنیم که به صورت زیر ایجاد می شود. که باعث می شود تعداد ماتریس ها زیاد شود ولی تعداد تگ ها در ماتریس ها کاهش یابد که همین روش سرعت و اطمینا ن و دقت را در توصیه به کاربران بالا می برد
