بخشی از مقاله
خلاصه
با گسترش روز افزون اطلاعاتی که در قالب برنامههای متعدد و متنوع و مبتنی بر وب به کاربران ارائه میشود، از فروشگاههای اینترنتی گرفته تا سرویسهای تامین محتوا همچون پایگاههای خ بری و شبکههای اجتماعی، نیاز به سیستمهای توصیهگر بیش از پیش احساس میشود. سیستمهای توصیهگر امکان شخصیسازی را برای کاربر فراهم میکند و در میان انبوه اطلاعات ارائه شده جستجو را سریعتر و سادهتر میسازد.
سیستمهای توصیهگر، زمینه تحقیقاتی بسیار فعالی بوده و صنعت نیز توجه ویژهای به این تکنولوژی نموده است، بطوری که مطالعههای اخیر حاکی از افزایش سود قابل ملاحظهی کسب و کارهایی است، که از این سیستمها بهره می برند و مراکز علمی متعددی در سالهای اخیر مبنای تحقیقاتی گستردهای را آغاز کردهاند. در سیستمهای توصیه گر افراد متفاوت، پروفایل و روابط دوستی متفاوتی دارند.
به همین دلیل یکی از روشهایی که میتوان از آن برای تجمیع نظرات مختلف و اقلام گوناگون در یک سیستم توصیهگر استفاده کرد، بهرهگیری از اپراتورهای میانگینگیری وزنی مرتب شده - OWA - است . روش میانگینگیری وزنی مرتب شده یکی از روشهای تصمیمگیری است که قابلیت در نظر گرفتن اولویتها و ارزیابیهای ذهنی تصمیمگیرنده را دارد. روش میانگینگیری وزنی مرتب شده قادر است ریسکپذیری و ریسکگریزی افراد را محاسبه و آن را در انتخاب گزینه نهایی وارد نماید.
.1 مقدمه
در سالهای اخیر با افزایش چشمگیر دامنه انتخاب بین کالاهای عرضه شده بر روی اینترنت و همچنین تفاوت سلیقه کاربران مختلف، عدم آگاهی دقیق کاربران از نیاز خود و نبود کلمات کلیدی برای بیان و جستوجوی نیازمندیها، سیستمهای توصیهگر به یکی از اجزای جدانشدنی در صفحات گسترده تبدیل شده اند. به طور کلی دو روش پالایش همکارانه و مبتنی بر محتوا در این سیستمها مورد استفاده قرار میگیرد. سیستمهای توصیهگر دو وظیفه پیشبینی و پیشنهاد دهی براساس اطلاعات موجود و همچنین اطلاعات پروفایل کاربر و امتیازات کاربر هدف به سایر کالاها را بر عهده دارند.
در سیستمهای توصیهگر افراد متفاوت، پروفایل و روابط دوستی متفاوتی دارند. به همین دلیل یکی از روشهایی که میتوان از آن برای تجمیع نظرات مختلف و اقلام گوناگون در یک سیستم توصیهگر استفاده کرد، بهرهگیری از اپراتورهای میانگینگیری وزنی مرتب شده - OWA - است. روش میانگینگیری وزنی مرتب شده یکی از روشهای تصمیمگیری است که قابلیت در نظر گرفتن اولویتها و ارزیابیهای ذهنی تصمیمگیرنده را دارد. روش میانگینگیری وزنی مرتب شده قادر است ریسکپذیری و ریسکگریزی افراد را محاسبه و آن را در انتخاب گزینه نهایی وارد نماید. در این تحقیق تلاش بر این است مقالاتی مورد بررسی قرار گیرد که در آن با بهرهگیری از عملگر میانگینگیری وزنی مرتب شده سعی شده روند پیش بینی سیستمهای توصیهگر و توصیه کالا به کاربران بهبود یابد.
.2 سیستم های توصیه گر
امروزه هزاران وبگاه تجاری و غیر تجاری حجم بالایی از کالاهای متنوع را بر روی اینترنت به کاربران خود عرضه می کنند. به علت استقبال کاربران از این وبگاهها، سیستمهای توصیهگر به منظور کمک به کاربران در جهت انتخاب خدمات و کالاهای مطابق با سلیقهی آنها مورد نیاز است. امروزه برخی سایتها از قبیل آمازون و نت فیلیکس برای آسانتر پیدا کردن کالاهای مد نظر مشتریانشان از این سیستم به صورت آنلاین استفاده میکنند.
سیستمهای توصیهگر در تجارت الکترونیک تبدیل به ابزارهای قابل توجهی شدهاند که به صورت موثر به دنبال اقلامی منطبق با سلیقه کاربران هستند. تکنیکهای متفاوتی از قبیل، پالایش همکارانه و پالایش مبتنی بر محتوا برای سیستمهای توصیهگر تعبیه شده است. یکی از روشهای جدید به منظور توصیه اقلام مناسب به کاربران، استفاده از عملگرهای میانگینگیری وزنی مرتب شده جهت فازی کردن خروجی استراتژیهای سیستمهای توصیهگر است.
روش میانگینگیری وزنی مرتب شده یکی از روشهای تصمیم گیری است که قابلیت در نظر گرفتن اولویتها و ارزیابیهای ذهنی تصمیم گیرنده را دارد و قادر است میزان ریسک پذیری و ریسکگریزی افراد را پس از محاسبه در انتخاب نهایی وارد نماید. در این مقاله با مروری بر سیستمهای توصیهگر و چند نمونه از عملگرهای میانگینگیری وزنی مرتب شده به روشهایی که در جهت ترکیب این دو متد تعبیه شده، اشاره میشود و زمینههایی جهت پیادهسازی و توسعه این متدها در آینده پیشنهاد میشود.
امروزه در سال های اخیر از یک سو ظهور پدیدههایی همچون تجارت اللکترونیکی و متعاقب آن افزایش چشمگیر دامنهی انتخاب میان کالاهای عرضه شده بر روی اینترنت، و از سوی دیگر با توجه به تفاوت سلیقه کاربران، عدم اطلاع دقیق آنها از نیاز خود و نبود کلمات کلیدی برای بیان و جستجوی نیاز، سبب شده تا سیستمهای توصیهگر به جزء جدانشدنی از شبکه گسترده جهانی تبدیل شوند. این سیستمها شامل ابزارهایی جهت پیشنهاد اقلام مناسب - همچون فیلم، موسیقی، کتاب، صفحه وب، نرم افزار، محلی برای تفریح، رستوران غیره - به کاربران، بر اساس رفتار صریح یا بازخوردهای ضمنی از رفتار آنها هستند.
سیستمهای توصیهگر از زمان استفاده مستقیم از رایهای موجود برای تخمین رایهای جدید و تولید پیشنهادات ضمن تحقیقات اولیهی سالهای 90 میلادی، به شاخه مستقلی برای مطالعه تبدیل شدهاند. تفاوت عمدهی سیستمهای توصیهگر با سایر روشهای پایش اطلاعات همچون موتورهای جستجو، در این است که در سیستم توصیهگر درخواست کاربر برخلاف موتورهای جستجو بطور مستقیم به سیستم ابلاغ نمیشود، بلکه خود توصیهگر بایستی با استفاده از ترجیحات کاربر که از سیستم استخراج نموده کالای مناسبی به وی پیشنهاد کند.
به طور کلی میتوان دو وظیفه برای سیستمهای توصیهگر تعریف نمود، وظیفه پیشبینی و پیشنهاد دهی. به هنگام پیش بینی، سیستم بر اساس اطلاعات موجود همچون سابقه نظرات و رای های موجود کاربر هدف سعی در پیش بینی رای وی به کالاهای جدید دارد.[1] کاربر هدف، کاربری است که سیستم قصد دارد تولید پیشنهادهای جدید برای وی داشته و رای کاربر هدف نیز، نشانگر میزان علاقه یا عدم رضایت وی از کالای مد نظر است. پس از انجام محاسبهها طبق الگوریتم توصیهگر انتخابی، سیستم با نمایش پیشبینیهای صورت گرفته به کاربر، میتواند در تصمیمگیری به وی کمک کند.
سیستمهای توصیهگر میتوانند یکی یا هر دوی این وظایف را انجام دهند. البته از آنجایی که مقدار دقیق رای به خودی خود سودمندی قابل توجهی برای کاربران به همراه ندارد، امروزه اکثر سیستمها به دنبال تولید لیستهای پیشنهاد هستند.[2] با وجود پیشرفت گسترده در این حوزه علمی، سیستمهای توصیهگر با چالشهای متعددی روبه رو بوده و نیازمند مطالعه بیشتری هستند. سیستمهای توصیهگر، زمینه تحقیقاتی بسیار فعالی بوده و صنعت نیز توجه ویژهای به این تکنولوژی نموده است، به طوری که مطالعههای اخیر حاکی از افزایش سود قابل ملاحظهی کسب و کارهایی است، که از این سیستمها بهره میبرند.
به عنوان مثال فروشگاه الکترونیکی نت فلیکس نمونهی موفقی است که 60 درصد ویدیوهای اجاره شده از این شرکت حاصل پیشنهادات سیستم توصیهگر آن است. پدیدههایی همچون مسابقه یک میلیون دلاری شرکت نت فلیکس - سالهای - 2006-2009 نیز توجه زیادی را به این عرصه جلب نموده است.[3] همان طور که انتظار میرود با افزایش تعداد سیستمهای توصیهگر نیاز به ارزیابی صحیح آنها نیز افزایش مییابد. تاکنون معیارهای متنوعی برای سنجش کارایی این سیستمها توسط محققان مختلفی به کار رفتهاند که هر یک سیستم را از دیدگاه متفاوتی بررسی میکنند.
هرچند، مطالعات خوبی در این زمینه انجام شده و معیارهای ارزیابی مختلفی برای سیستمهای توصیهگر موجود هستند، اما ارزیابی صحیح این سیستمها به دلایل مختلف امری چالش برانگیز است یکی از دلایل اصلی این مساله، عدم توافق محققان بر سر تعریف مناسبی از کیفیت سیستمهای توصیهگر است، بحثهای زیادی بر روی انتخاب بهترین معیار که بتواند کیفیت واقعی این سیستمها را اندازه بگیرد، با فرض چنین معیاری-بهترین معیار-موجود باشد، وجود دارد. به همین دلیل در اکثر مطالعات محققان نتایج کار خود را تنها با یک یا دو معیار - و اغلب هم معیارهایی از صحت نتایج پیشبینی شده نسبت به دادههای موجود را اندازه میگیرند - ، ارزیابی کرده و گزارش نموده اند.
