سیستم توصیه‌گر (Recommender System) چیست؟

سیستم توصیه‌گر
مقالات نرم افزار های تحت وب

سیستم توصیه‌گر (Recommender System) چیست؟

 

سیستم توصیه‌گر (Recommender System) در دنیایی که ما زندگی می‌کنیم، یکی از بهترین پیشرفت‌های فناوری به حساب می‌آید؛ مخصوصا اگر کسب و کار اینترنتی داشته باشید و هر روزه کاربران بسیاری از وب سایت شما بازدید کنند. سیستم‌های توصیه‌گر براساس الگوریتم‌های از پیش تعیین شده، علائق کاربر و تاریخچه جست‌وجو، پیشنهادهای مرتبط را به کاربران یا مشتریان می‌دهند؛ این پیشنهادها مطمئنا نقش مهمی در افزایش تعامل کاربران با وب سایت و حتی افزایش فروش دارد.

مفهوم سیستم توصیه‌گر بسیار ساده است و برای توضیح آن بهتر است با یک مثال شروع کنیم. حتما تاکنون از وب سایت‌های فروشگاهی که تعداد آن‌ها کم هم نیست، بازدید کرده‌اید. با ورود به وب سایت، شما به دنبال محصول مورد نظر خود خواهید گشت و ممکن است برای آن از صفحات اینترنتی مختلف وب سایت دیدن کنید.

اگر وب سایت فروشگاهی مورد نظر از فناوری سیستم‌های توصیه‌گر بهره ببرد، پس از مرور چند صفحه اینترنتی شما با پیشنهادهای مرتبط با جست‌وجوی خود مواجه خواهید شد. شاید شما به دنبال خرید یک هدفون رنگ سفید هستید که ویژگی ارتباط بی سیم را نیز داشته باشد. با یک سیستم توصیه‌گر خوب شما با پیشنهادهایی روبرو خواهید شد که مرتبط با همین محصول هستند و حتی ممکن است محصولاتی با رنگ مورد نظر نیز در اختیار شما قرار بگیرد.

در ادامه این مقاله از تدریس24 همراه ما باشید تا شمارا بیشتردر این زمینه راهنمایی کنیم.

سیستم توصیه‌گر چیست؟

 

در واقع، با جست‌وجوهای مورد علاقه شما و الگوریتم‌های از پیش تعیین شده، سیستم توصیه‌گر از ابتدا در حال آموزش است و پس از فهم درست از علایق و نیازهای شما پیشنهادهای مرتبط را ارائه خواهد داد؛ البته، قضیه به این سادگی‌ها هم نیست و طراحی یک مدل قدرتمند از سیستم‌های توصیه‌گر دقت زیادی را می‌طلبد و کاری زمان‌بر است.

هوش مصنوعی بخش اصلی ماجرا برای پیاده سازی الگوریتم‌های سیستم‌های توصیه‌گر است. امروزه با نگاهی به محیط اطراف بسیاری از کاربردهای هوش مصنوعی را می‌بینیم و این فناوری روز به روز در حال پیشرفت است؛ در واقع، هوش مصنوعی یا Artificial Intelligence یک حوزه وسیع علمی است که یادگیری ماشین زیر شاخه‌ای از آن به شمار می‌رود.

در یادگیری ماشین می‌توان مدل‌هایی را به کار گرفت که قدرت یادگیری دارند و در این فرآیند می‌توان از داده‌های ورودی بهترین استفاده را برای یادگیری مدل‌ها برد. با موفقیت در فرآیند یادگیری، ما مدل‌های آموزش دیده را در اختیار خواهیم داشت که از آن می‌توان برای دریافت خروجی‌های مورد نظر استفاده کرد.

استفاده از یک مدل یادگیری ماشین برای ایجاد سیستم توصیه‌گر از بهترین کاربردهای هوش مصنوعی است. در این مدل نیز شما می‌توانید ورودی‌هایی را اعمال کنید و فرآیند یادگیری را طی کنید. در این سیستم، ورودی ما می‌تواند نوع جست‌وجوی کاربر، اسم محصول، وزن محصول، رنگ و هر معیار دیگری باشد؛ پس از یادگیری مدل سیستم توصیه‌گر براساس معیارهای تعیین شده، خروجی‌های ما در آینده که همان پیشنهادها هستند، نزدیکترین ویژگی‌ها را به علایق کاربر خواهند داشت.

سیستم توصیه‌گر
آیا یادگیری ماشین نقشی در رشد سیستم توصیه‌گر دارد؟

یادگیری ماشین شاخه‌ای از علوم هوش مصنوعی است که نقش اساسی برای پردازش داده‌های حجیم و جمع آوری شده دارد. زمانی که از داده‌ها صحبت می‌کنیم، حتما صاحبان کسب و کارهای بزرگ مانند فروشگاه‌های اینترنتی مخاطب اصلی هستند؛ داده‌های متعددی در فرآیند تجربه کاربری وجود دارند که به راحتی می‌توان از آن برای بهبود کسب و کار استفاده کرد.

اما مشکل اصلی ما همین تعدد داده‌ها و حجم بسیار زیاد آن است. در این بین، به کار بردن ایده یادگیری ماشین و طراحی مدل‌های آن که قابل یادگیری هستند و می‌توانند خروجی مورد نظر را ارائه دهند، بهترین راه حل ما خواهد بود؛ یادگیری ماشین مبتنی بر طراحی الگوریتم‌های قدرتمند، اعمال ورودی‌ها و در نتیجه تصمیم گیری و ارائه خروجی‌ها است.

این فرآیند سرعت بسیار عالی دارد و در صورت طراحی دقیق مدل‌ها براساس نیاز ما، مطمئنا خروجی‌های بسیار نزدیک به ایده‌آل در اختیار ما خواهد بود؛ بهتر است به نمونه‌های عملی کاربرد یادگیری ماشین و هوش مصنوعی در دنیای پیرامون بیشتر دقت کنیم.

انواع سیستم توصیه‌گر

در حالت کلی انواع سیستم توصیه‌گر به سه بخش تقسیم بندی می‌شوند که در ادامه توضیح داده خواهند شد. در واقع، ما براساس شرایط مختلف و نوع خروجی و ورودی مورد نظر، باید از این مدل‌ها استفاده کنیم؛ البته، مدل‌ها و الگوریتم‌های بیشتری نیز وجود دارند که در معیارها و خروجی‌ها متفاوت هستند.

سیستم‌های توصیه‌گر مبتنی بر محتوا

با مرور محصولات مختلف در یک وب سایت کتابفروشی، شما یک پروفایل از آن را مشاهده می‌کنید. در این پروفایل اطلاعات مربوط به محصول مورد نظر و محتوای آن بیان شده است. در روش مبتنی بر محتوا ما این پروفایل محصول را به کار می‌گیریم و این محتوا را به عنوان فیلتر به کار خواهیم برد.

باید گفت، اگر یک کاربر از کتابی بازدید کرده باشد و علاقه به خرید آن داشته باشد، به احتمال زیاد در مورد کتاب‌های مشابه نیز این موضوع صادق است؛ بنابراین، با فیلتر کردن محتوا و دسته بندی محصولاتی براساس ویژگی‌های مشابه، می‌توان به نتایج خوبی برای ارائه به کاربر دست پیدا کرد.

سیستم‌های توصیه‌گر تعاملی یا مشارکتی

سیستم توصیه‌گر تعاملی دقیقا براساس علایق کاربر، پیشنهادهای مورد نظر را برای کاربران با سلائق مشابه ارائه می‌دهد. در این روش که یکی از بهترین روش‌ها در وب سایت‌ها و سرویس‌های معتبر است، فیلتر محصولات براساس نوع جست‌وجوی کاربران و به صورت تعاملی انجام می‌شود.

دو روش در این نوع سیستم وجود دارد که به صورت کاربر-کاربر یا کالا-کالا نامیده می‌شود. در صورت استفاده از فروشگاه‌های اینترنتی مشاهده کرده‌اید که محصولاتی با عنوان “کاربران دیگر از این محصولات نیز بازدید کرده‌اند” برایتان نمایش داده می‌شوند. این روش کاربر-کاربر نامیده می‌شود. در این روش معیار ما برای گزینش، کاربران دیگر هستند که سلائق مشابه با کاربر کنونی دارند.

در روش کالا-کالا محصولاتی با عنوان “ممکن است این محصولات را نیز بپسندید” پیشنهاد داده می‌شود که ویژگی مشابهی با کالای انتخابی کاربران دارند. در واقع، معیار اصلی ما کالاهای مشابه است.

سیستم‌های توصیه‌گر هیبرید یا ترکیبی

یک سیستم توصیه‌گر مدل هیبریدی در واقع ترکیبی از روش‌های قبلی است و برای ارائه پیشنهادهای بهینه به کاربر استفاده می‌شود. همان طور که اشاره شد، این روش بهینه سازی عالی از خروجی‌های نهایی دارد و نقش اساسی در بهبود نتایج خواهد داشت.

با مرور محصولات مختلف در یک وب سایت کتابفروشی، شما یک پروفایل از آن را مشاهده می‌کنید. در این پروفایل اطلاعات مربوط به محصول مورد نظر و محتوای آن بیان شده است. در روش مبتنی بر محتوا ما این پروفایل محصول را به کار می‌گیریم و این محتوا را به عنوان فیلتر به کار خواهیم برد.

باید گفت، اگر یک کاربر از کتابی بازدید کرده باشد و علاقه به خرید آن داشته باشد، به احتمال زیاد در مورد کتاب‌های مشابه نیز این موضوع صادق است؛ بنابراین، با فیلتر کردن محتوا و دسته بندی محصولاتی براساس ویژگی‌های مشابه، می‌توان به نتایج خوبی برای ارائه به کاربر دست پیدا کرد.

سیستم توصیه‌گر هیبرید یا ترکیبی

ما در روش تعاملی می‌توانیم محصولاتی را براساس سلیقه کاربر انتخاب کنیم. با این حال، بهینه سازی آن در مرحله دوم و با روش محتوایی از اهمیت زیادی برخوردار است. در واقع، تمامی محصولات انتخاب شده با روش تعاملی ویژگی‌های مورد نظر را نخواهند داشت و باید در مرحله دوم فیلتر شوند؛ در نهایت خروجی‌های سیستم‌های توصیه‌گر هیبریدی به صورت دقیق‌تری به کاربر نمایش داده می‌شوند.

دیدگاه خود را اینجا قرار دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

اعضا

‫بروز رسانی

سمیرا مردانی's بروزسانی مشخصات انجام شد 1 سال, ماه 2 قبل

محمد جواد محمدی's بروزسانی مشخصات انجام شد 1 سال, ماه 2 قبل

مریم نوری's بروزسانی مشخصات انجام شد 1 سال, ماه 2 قبل

محمد امین طاهری's بروزسانی مشخصات انجام شد 1 سال, ماه 2 قبل

نگار حجتی's بروزسانی مشخصات انجام شد 1 سال, ماه 2 قبل

فیلدهای نمایش داده شده را انتخاب کنید. دیگران مخفی خواهند شد. برای تنظیم مجدد سفارش ، بکشید و رها کنید.
  • عکس
  • شناسه محصول
  • امتیاز
  • قیمت
  • در انبار
  • موجودی
  • افزودن به سبد خرید
  • توضیحات
  • محتوا
  • عرض
  • اندازه
  • تنظیمات بیشتر
  • ویژگی ها
  • ویژگی های سفارشی
  • زمینه های دلخواه
برای پنهان کردن نوار مقایسه ، بیرون را کلیک کنید
مقایسه
مقایسه ×
Let's Compare! Continue shopping