بخشی از مقاله
چكيده
با انتشار حجم عظيمی از خبرها بر روی اینترنت و تمایل بيشتر کاربران به سرویسهای خبری تحت وب، نياز به یک سيستم پيشنهاد دهنده خبر ضروری میباشد. خبرها برای آنكه قابل توجه باشند سرویسهای خبری از تعدادی معيار به نام ارزش خبر استفاده میکند. مكان کاربر نقش موثری در بررسی این معيارها دارد. در این مقاله LONEF یک سيستم پيشنهاد دهنده خبر با ساختار دو مرحله ارائه شده است. در مرحله اول با توجه به مكان کاربران، خبرها اولویتدهی میشوند و مرحله دوم با در نظر گرفتن خصوصياتی همچون اولویت مكانی، تازگی ، اعتبار منبع خبر ، اولویت گروهی و محبوبيت، خبرها پيشنهاد داده میشوند. برای کاهش ابهامات این خصوصيات از دو سيستم در منطق فازی شامل استنتاج فازی ممدانی و تصميم گيری مبتنی بر مورد استفاده شده است. در سيستم استنتاج فازی ممدانی سعی شده است با بهينه سازی در انتخاب قوانين و توابع عضویت سرعت سيستم بهبود داده شود و همچنين از سيستم تصميم گيری به علت پيادهسازی مبهم بازخوردهای کاربران و اولویت گروهی در پيشنهاد دهندههای موجود، بكار رفته شده است تا بتوان رفتار کاربران را بهتر بازنمایی کرد. ميزان کارایی دیدگاه ارائه شده در این پژوهش از طریق نتایج آزمایشهای مختلف بر روی مجموعه خبری نمایش داده شده است.
کلمات کليدی:سیستم های پیشنهاد دهنده خبر، پیشنهاد دهنده خبر،منطق فازی، پیشنهاد دهنده آگاه بر مکان
.1 مقدمه
هر روزه اطلاعات بسیار زیادی ایجاد و روی وب قرار گرفته میشوند. برای دسترسی کاربران به اطلاعات دلخواه خود سیستم های پیشنهاد دهنده با تکنیکهای مختلف ایجاد شدند تا کاربران بتوانند با کمک این سیستمها به اطلاعاتی مطلوب خود با حذف اطلاعات های نامطلوب دست پیدا کنند. سیستمهای پیشنهاد دهنده زیر مجموعه از سیستمهای صافی سازی اطلاعات هستند که بر اساس امتیاز دهی یا اولویت بندی کاربر پیشنهاداتی ارائه میدهند.علت پیدایش سیستم های پیشنهاد دهنده برای افزایش سود فراهم کنند گان تجارت الکترونیک در وب می باشد تا به کاربران محصولاتی را پیشنهاد دهنده که احتمال خرید آنها بالا بوده است این سیستمها بر اساس روش ایجاد پیشنهاد به سه گروه دسته بندی شده است [1]
پیشنهاد دهنده های مبتنی بر محتوا که آیتمها و پروفایل کاربری با کمک استخراج ویژگیها از متن سند ایجاد شده است. پیشنهاد دهنده های مشارکتی، پیشنهادها مشابه آیتم های افرادی است که رفتار مشابه با کاربر دارند. پیشنهاد دهنده های ترکیبی دیدگاه های قبلی را ترکیب میکند. پیشنهاد دهنده خبر یکی از مهم ترین ابزار های کاربردی برای فراهم کنندگان محتوا مانند گوگل نیوز و یاهونیوز میباشد. این سرویس ها با مشکل ازدحام اطلاعاتی سرکار دارند که مانع از دستیابی خوانندگان به اطلاعات مورد نظرشان میشود. راه حل این مشکل سیستم های پیشنهاد دهنده هستند که میتوانند به طور فزایندهای دستیابی به اطلاعات دقیق و کارآمد را بهبود بخشند . این سیستم ها برای فیلتر اخبار مهم و رویدادهای کلیدی طراحی شده اند. هرچند اطلاعات نمیتوانند اهمیت یکسانی برای تمام کاربران داشته باشند.
در حوزه خبرنگاری هر خبر توسط هفت معیار ارزیابی میشود که آنها، ارزشخبر نامیده می شوند.[2] برای طراحی یک سیستم پیشنهاد دهنده خبر موثر و کارآمد تا حد امکان باید این معیارها در نظر گرفته شوند. سه معیار محبوبیت، فراگیری و مجاورت خبر وابستگی زیادی به محل زندگی کاربر دارند. از این رو مکان یا محل زندگی کاربر به عنوان یک شاخص موثر در سیستم های خبری باید در نظر گرفته شود. از طرفی دیگر سرویس های خبری با منابع خبر بسیار سرکار دارند به عنوان نمونه گوگل نیوز، خبرهای خود را از بین 5000 منبع خبری با 72 ویرایش در 30 زبان جمع آوری می کند. [3] برای تعیین اعتبار این منابع خبری در سیستم های خبری باید از کمیتهایی استفاده شود.
پیشنهاد دهنده خبر همچون سیستمهای پیشنهاد دهنده دیگر نیازمند دادههایی از رفتار کاربران و ویژگیهای آیتمها می باشند وکارایی آنها وابسته به چگونگی استنباط و تفسیر این دادهها است. نحوه نمایش و استنتاج درباره رفتار کاربران و ویژگیهای آیتمها مسائلی چالش برانگیز میباشد .[4]پارامترها یا ورودیهای سیستمهای پیشنهاد دهنده خبر کنونی شامل تازگی، اعتبار منبع خبر و پروفایل کاربر و خبر می توان درنظر گرفت .[5] کارایی این سیستم ها به بازنمایی و تفسیر این ورودیها وابسته می باشد. اما یکی از مشکلات اساسی وجود داده های مبهم و نادقیق هستند و باعث ایجاد عدم قطعیت در نمایش و استدلال و ارتباط بین آنها میشود. [6] برای نمونه، تعیین موثقترین منبع خبری یا بازه زمانی تازگی خبر با ابهام همراه است. به طور کلی عدم قطعیت در سیستمهای پیشنهاد دهنده به روابط موجود در آن وابسته است.
منطق فازی یک بینش قوی از روشها برای مدیریت عدم قطعیتهای ارائه میدهد .[7] این منطق در سال 1965 توسط لطفیزاده تحت مقالهای با عنوان »مجموعههای فازی« به صورت رسمی معرفی شد. رویکرد مبتنی بر منطق فازی به عنوان یک جایگزین برای دانش تخصصی، در نظر گرفته میشود که بسیار انعطاف پذیر بوده و به درستی مقادیر مجهول دادههای مدل را تخمین میزند و تا سطوح بالایی، توانایی بیان نزدیک به واقعیات را دارد. ما یک سیستم پیشنهاد دهنده خبری 1LONEF ارائه میدهیم که از دو مرحله یا دو ماژول برای حل این مشکلات استفاده می کند. در ماژول اول اولویت های کاربران نه تنها بر اساس تاریخچه دسترسی خود آنها ایجاد میشود بلکه همچنین اولویتها و تاریخچه خبرهای بازدیدی گروهیهایی از کاربران مورد بررسی قرار میگیرد که کاربر به آن گروه تعلق دارد. این گروهها به صورت یک ساختار سلسله مراتبی بر اساس محل زندگی کاربران ایجاد می شوند و علت آن، کاربر بیشتر خبرهایی اهمیت می دهد که نزدیک محل زندگی او باشد [2]
. در مرحله دوم LONEF با توجه به عدم قطعیت ها در پارامترهای موجود و بدست آمده از مرحله قبل شامل اولویت مکانی، تازگی ، اعتبار منبع خبر، اولویت گروهی و محبوبیت از منطق فازی استفاده میکند. برای هر پارامتر کمیت های زبانی و مجموعه فازی تعریف می کند. شکل و تعداد توابع عضویت با توجه به کارایی سیستم انتخاب شده است. برای اعمال منطق فازی از دو سیستم شامل استنتاج فازی ممدانی و تصمیم گیری مبتنی استفاده کند. هدف کلی ما از این سیستم نمایش خبرهای مورد توجه کاربر باشد که برای آن باید دقت در انتخاب خبرهای مورد علاقه کاربر بهبود یابد و ازطرف دیگر با داشتن تنوع مطلوب در خبرها مانع از کاهش جلب توجه کاربر شود. در ادامه مقاله بدین صورت تقسیم بندی شده است:بخش دوم کارهای انجام گرفته در زمینه سیستم خبری مورد بررسی قرار میدهیم. بخش سوم ساختار سیستم LONEF معرفی میکنیم. بخش چهار نتایج ارزیابی را نشان میدهیم و در آخر از سیستم نتیجه گیری میکنیم.
.2 کارهای مرتبط
پیشنهاد دهنده های خبر زیادی با روش های گوناگونی ارائه شده است. همچنین ویژگی مکانی کاربر و منطق فازی در پیشنهاد دهندهها مورد توجه قرار گرفتهاند.
.1-2 مبتنی بر محتوا
این پیشنهاد دهندهها بکلی بر مبنای محتوای خبر هستند و ذاتا شباهتهای بین پروفایل کاربر و محتوای متنی خبری مورد بررسی قرار می گیرد.هم پروفایل کاربری و هم محتوای خبر عموما با استفاده از مدل فضای برداری به عنوان مثال [8] TF-IDF یا توزیع های موضوع توسط مدل های زبان PLSI [9] وLDA [10] تعیین میشوند. بسیاری از سیستمهای پیشنهاد دهنده خبری مبتنی بر محتوا در دهه اخیر پیشنهاد شدهاند.برای مثال،New Dude [11] یک عامل پیشنهاد دهنده خبر شخصی که TF-IDF با الگوریتم نزدیکترین همسایگی ترکیب میکند تا آیتمهای خبری به کاربران خاص پیشنهاد دهد.
.2-2 پیشنهاد دهنده ترکیبی
روشهای ترکیبی برای پیشنهاد اخبار توسعه داده شده اند. برخی از مثال های قابل بیان عبارت اند از SCENE [12] و .[13] PENETRATE اولی یک سیستم پیشنهاد دهنده خبر دو مرحله ای شخصی شده مقیاس پذیر نمایش می دهد. این یک سلسله مراتب پیشنهاد دهی دو مرحله دارد که اولین سطح شامل یک خلاصه برای هر گروه موضوعی که شاید کاربر ترجیح دهد و دومین سطح شامل خبرهای خاص است . از طرف دیگر PENETRATE گروههای کاربری بر اساس تاریخچه مقالات خبری خوانده شده میسازد که هر کاربر می تواند به بیشتر از یک گروه تعلق پیدا کند. سپس پیشنهادهای سیستم
