بخشی از مقاله
چکیده
اگر در چند دهه گذشته فقدان اطلاعات، چالش اصلی در فرآیند تصمیمگیری و انتخاب بود، امروزه حجم بالای اطلاعات و انتخاب اطلاعات مناسب از میان این حجم عظیم، به عنوان چالش اصلی بهحساب میآید. سیستمهای پیشنهاددهنده، با هدف رفع این چالش بهوجود آمدهاند. امروزه علاقهمندی زیادی به حوزهی سیستمهای پیشنهاددهنده در سازمانها و محافل علمی وجود دارد.
این سیستمها در حوزههای کاربردی مختلف جهت حمایت از کاربران در تصمیمگیری، کمک به آنها در مدیریت حجم انبوه اطلاعات و فراهمکردن شکل هوشمندی از دسترسی به اطلاعات قابل استفاده هستند اما به دلیل نوظهور بودن این مسئله؛ کمبود دستهبندی مشخص، در رابطه با روشهای پیادهسازی سیستمهای پیشنهاددهنده در منابع پژوهشی، احساس میشود.
در همین راستا در این مقاله قصد داریم به تعریف و بررسی ایدهها و مفاهیم پایهای سیستمهای پیشنهاددهنده، ارائهی دستهبندی جامعی از روشهای تولید پیشنهاد، نقاط ضعف و قوت آنها، بررسی کاربردهای مختلف سیستمهای پیشنهاددهنده و همچنین راههای رسیدن به سرویسهای اطلاعاتی خاص و نتایجی که سیستمهای پیشنهاددهنده میتواند در زندگی داشته-باشند بپردازیم و درآخر ما خوشهبندی را به عنوان روشی مناسب در سیستمهای پیشنهاددهنده معرفی میکنیم.
.1 مقدمه
رشد سریع شبکه جهانی وب و پیشرفت فناوری اطلاعات، در عین آنکه مشکل کمبود اطلاعات را حل کرده، موجب مسئلهی جدیدی به عنوان"سرریز اطلاعات "شده است. حالتی که در آن به علت حجم زیاد اطلاعات، قادر به اتخاذ تصمیم، انتخاب یا به روز نگهداری اطلاعات خود راجع به موضوع خاص نخواهیم بود. حجم گسترده داده و سرویسهای موجود نیز هنگامی مفید است که برای کاربر قابل کشف شدن باشد.
سیستمهای پیشنهاددهنده، به عنوان یک راه حل مؤثر، برای این مشکل مطرح شدهاند. در فضایی غنی از اطلاعات، این سیستمها سعی در تشخیص و مدلسازی علایق کاربر و هدایت او به سوی اقلام مناسب دارند. در واقع، این سیستمها در حوزههای کاربردی مختلف جهت حمایت از کاربران در تصمیمگیری، کمک به آنها در مدیریت حجم انبوه اطلاعات و فراهم کردن شکل هوشمندی از دسترسی به اطلاعات استفاده میشوند. اما روشهای رایج تولید پیشنهاد کدامند؟ آیا دستهبندی مشخص و جامعی از این روشها وجود دارد؟
با بررسی مطالعات بسیار به این نتیجه رسیدیم که هنوز دستهبندی کاملی در رابطه با روشهای پیادهسازی سیستمهای پیشنهاددهنده وجود ندارد. کاربرد گسترده دادههای مکانی در عرصههای مختلف تصمیم سازی، مدیریت منابع و غیره؛ در سطوح مختلف ملی، محلی، منطقهای بر کسی پوشیده نیست.[1] علاوه بر دادههای موجود، نرخ رشد دادههای در حال تولید نیز روزبهروز در حال افزایش است.
این نرخ رشد بالا حاصل پیشرفتهای تکنولوژیکی، مانند افزایش روزافزون قدرت تفکیک تصاویرماهوارهای، افزایش حجم و توان نرمافزاریهای مدیریت پایگاه داده4 و افزایش توان پردازشی نرمافزارها وهمچنین پیشرفتهای عظیم سختافزاری و ظهورتکنولوژی رایانش ابری و ... میباشد.علاوه بر این هر روزه دادههای موجود از هر طیفی - تصویر، ویدئو، صدا، دادههای تاریخی، اسناد علمی و هر نوع اقلام اطلاعاتی قابلتصور - توسط سازمانهای دولتی، خصوصی و مردم عادی زمین مرجع میشوند.[2]
.2 سیستمهای پیشنهاددهنده
سیستمهای پیشنهاددهنده به عنوان یک حوزهی تحقیقاتی مستقل از اواسط دههی 90، زمانی که محققان شروع به تمرکز بر مشکلات پیشنهاد که به صراحت تکیه بر ساختار رتبهبندی داشت، ظهور یافتند. سیستمهای پیشنهاددهنده را میتوان در علم شناخت،تئوری تخمین، بازیابی اطلاعات، تئوریهای پیشبینی و همچنین علم مدیریت و مدلسازی انتخاب کاربر در بازاریابی، جستجو کرد.[3] تعاریف متفاوتی برای آن ارائه شده است از آن جمله می توان گفت:
- سیستم های پیشنهاددهنده سیستم های تأثیرگذار در راهنمایی و هدایت کاربر، در میان حجم عظیمی از انتخابهای ممکن، برای رسیدن به گزینه مفید و مورد علاقه وی است به گونه ای که این فرآیند، برای همان کاربر، شخصی سازی شده باشد.
- سیستمهای پیشنهاددهنده سیستمهایی هستند که به جمعآوری اطلاعات در مورد علائق، ترجیحات، زمینههای کاری و ... کاربران نسبت به اقلام اطلاعاتی به دو شکل آشکار و پنهان، آشکار از طریق امتیازدهی کاربران و یا نهان از طریق پایش رفتارهای کاربران از قبیل تعداد دفعات گوش دادن به یک موسیقی، مرور صفحات وب، دانلود یک نرمافزار، مطالعه کتاب و ... میپردازند.[4]
علاوه براین، این سیستمها به جمعآوری اطلاعات دموگرافیک کاربران همانند سن، جنسیت، ملیت و یا اطلاعات مربوط به شبکههای اجتماعی که کاربر در آنها عضویت دارد، نیز پرداخته و قادرند به کاربران در یافتن اقلام اطلاعاتی مدنظرشان، با ارائه اقلام اطلاعاتی پیشنهادی کمک نماید.[5] آن ها گزینههای مورد علاقهی کاربر را براساس ارجحیتهای اظهارشده کاربران چه به صورت ضمنی و چه به صورت صریح پیشنهاد میکنند.
· روش صریح
در روش صریح کاربر صراحتا اعلام می کند که به چه چیز هایی علاقه دارد بعنوان نمونه با امتیاز دادن 5 به یک موزیک.
· روش ضمنی
این روش کمی دشوارتر است و در آن سیستم باید سلایق کاربر را با کنترل و دنبال کردن رفتارها و فعالیتهای او بیابد، بعنوان مثال باید ببینید کاربر به چه موزیک هایی بیشتر گوش می دهد، چه صفحاتی را بازدید می کند، با چه کسانی در ارتباط است.
- سیستمهای پیشنهاددهنده، فناوری شخصیسازی فیلترینگ اطلاعات هستند که به پیشبینی احتمال پسندیدن یک شئ اطلاعاتی خاص توسط کاربری خاص و شناسایی N شئ موردعلاقه کاربر میپردازد[6] و ×یا ×زیرمجموعهای از سیستمهای تصمیمیار هستند که آنها را سیستمهای اطلاعاتی تعریف میکنند که توانایی تحلیل رفتارهای گذشته و ارائه پیشنهادهایی برای مسائل جاری را دارا هستند.
.3 انواع سیستمهای پیشنهاددهنده
به طور کلی سیستم های پیشنهاددهند را میتوان به سه روش تقسیمبندی کرد که عبارتند از:
3,1 روشهای مبتنی بر یادگیری
.3,2 روشهای مبتنی بر دانش
.3,3 روش ترکیبی
ولی اگر بخواهیم به سیستمهای پیشنهاددهنده نگاه کلی بیاندازیم، میتوان آن را به پنج دسته که عبارتند از: پالایش مشارکتی، پالایش مبتنی بر محتوا، روشهای مبتنی بر دادههای شخصی، روشهای مبتنی بر دانش و روشهای مبتنی بر سودمندی تقسیمبندی نمود.[7]
.3,1,1 روشهای پالایش مشارکتی
پالایش مشارکتی6 رایجترین روش مورد استفاده در سیستمهای پیشنهاددهنده است. این روش مبتنی بر ارزیابی کاربرانی است که علایق مشابهی دارند. ایدهی اصلی این سیستمها این است که کاربرانی که آیتمهای مشابهی را در گذشته انتخاب کردهاند، احتمالاً ارجحیتهای مشابهی دارند. به بیان سادهتر فرایند پالایش یا ارزیابی آیتمها ازطریق نظرات سایر افراد است.
