پیاده سازی الگوریتم های سیستم های توصیه گر

سیستم های توصیه گر، سیستم هایی هستند که می خواهند براساس اطلاعات کاربر جاری در سیستم، یکسری اطلاعات مرتبط با سلایق اش را به او توصیه نمایند. سیستم‌های توصیه‌ گر به‌طور گسترده‌ای برای ارائه توصیه‌های شخصی باکیفیت بالا در میان حجم زیادی از محصولات استفاده می‌شود. توصیه‌های دقیق و صحیح در عملیات تجارت الکترونیک (مثلاً در جستجوی محصولات، شخصی‌سازی، بهبود رضایت مشتری) و بازاریابی (مثلاً تبلیغاتی اختصاصی، تقسیم‌بندی، فروش متقابل)خیلی مهم هستند. امروزه استفاده از سيستم­های پیشنهادتر به‌عنوان يک ضرورت درآمده‌ است و بسياری از سايت­های اينترنتی برای خدمت‌رسانی خوب به کاربران خود از سيستم­های پیشنهادگر استفاده می­کنند. ازجمله بارزترین آن‌ها می­توان به گوگل، آمازون و… اشاره نمود.  سیستم‌های توصیه‌گر است با رشد روزافزون اطلاعات در دنیای حاضر و نیز افزایش چشمگیر کاربران آنلاین، تحویل اطلاعات درست و مناسب به آن‌ها اهمیتی حیاتی برای افراد و شرکت‌های مختلف یافته است که این امر خود منجر به افزایش تحقیقات در حوزه الگوریتم‌های توصیه‌گر شده است. الگوریتم‌های به‌کاررفته در این سیستم‌ها، از ماتریسی به نام ماتریس رتبه‌ها استفاده می‌کنند و هدف الگوریتم‌های توصیه استفاده درست از رتبه‌های موجود، برای ساختن یک مدل مناسب است تا بتواند با این مدل پیشنهاد درست و باکیفیت را به کاربران ارائه دهد. معمولاً این ماتریس رتبه خیلی پراکنده یا تنک است، لذا الگوریتمی که بتواند یک مدل خوب را از این داده‌های محدود ایجاد کند، خیلی کم به چشم می‌خورد.

هدف اصلی سیستم‌های توصیه‌گر هدایت کاربر به اشیاء و آیتم‌های مفید، جالب و مورد علاقه‌ی او است. لذا  جهت ارزیابی یک سیستم توصیه‌گر می­توان ارزیابی کرد که چه مقدار از این هدف محقق شده است. این سیستم‌ها طی سالیان اخیر تکامل‌یافته و رو به رشد هستند ولی به‌سختی می‌توان در مورد معیارهای ارزیابی آن‌ها اظهارنظر کرد. سیستم­های توصیه­گر از چالش‌های مختلفی رنج می‌برند و همان‌طور که گفته شد از مهم­ترین این چالش­ها می­توان، مشکل شروع سرد، تنکی داده و مقیاس‌پذیری اشاره کرد که عملکرد سیستم را به‌شدت تحت تأثیر قرار می­دهند. سیستم‌های توصیه‌گر یکی از ابزارهای مهم و کاربردی برای پیشنهاد دادن به کاربران، بر اساس تاریخچه فعالیت‌های کاربران است، طوری که این پیشنهاد کمترین فاصله را با آن چیزی داشته باشد که مدنظر کاربر است. سیستم‌های پیشنهاددهنده برای فیلتر کردن داده‌ها و معرفی مواردی که به احتمال زیاد مورد علاقه کاربر باشد، توسعه‌یافته‌اند. این سیستم‌ها یک نوع ویژه از سیستم‌های فیلتر اطلاعات است، که در آن آیتم‌ها را، بر اساس اینکه چه آیتمی براي کاربر جذاب است، از یک مجموعه بزرگ از آیتم‌ها و کاربران فیلتر می‌کنند. اما هر چه رتبه‌های کاربران به محصولات کم باشد، تشخیص سیستم و ارائه‌ی پیشنهاد‌هایش مشکل‌تر خواهد بود؛ و تنکی داده‌ها به موضوع سختی دریافتن رتبه‌های خوب اشاره می‌کند چراکه مشتریان به‌طورکلی تنها به بخش کوچکی از اقلام رأی می‌دهند، و باعث مشکلاتی نظیر شروع سرد می‌شود.

بر اساس نحوه‌ی پیش‌بینی رتبه‌بندی‌های ناشناخته، روش‌های توصیه، می‌توانند به سه دسته‌ی کلی تقسیم شوند: محتوا محور، پالایش گروهی، ترکیبی. سیستم‌های توصیه‌گر پالایش مشارکتی دارای چالش‌های مختلفی هستند که از مهم‌ترین آن‌ها می‌توان به مشکل تنکی داده‌ها و مشکل شروع سرد اشاره کرد که در صورت عدم ایجاد استراتژی مخصوص برای مقابله با این مشکلات، سیستم به‌شدت دقت توصیه‌اش کاهش می‌یابد. برخی کارهای هم به‌صورت خیلی محدود از اطلاعات ضمنی برای بهبود دقت در این سیستم‌ها استفاده کرده‌اند. یک سیستم توصیه‌گر به دنبال پیش‌بینی رتبه کاربر هدف به هر یک از آیتم‌ها و سپس ارائه‌ی پیشنهاد آیتم‌هایی به کاربر هدف است که بالاترین مقدار رتبه محاسبه‌شده توسط سیستم را دارند. یکی از اساسی‌ترین اهداف آن‌ها جمع‌آوری اطلاعات گوناگون در رابطه با سلایق کاربران و آیتم‌های موجود در سیستم است. اطلاعات در سیستم‌های توصیه‌گر به‌صورت های مختلفی به دست می‌آیند که در دودسته بندی کلی به دودسته اطلاعات ضمنی و اطلاعات صریح تقسیم‌بندی می‌شوند.

  مدل های ارائه شده برای سیستم های توصیه گر:

• مدل های ارائه شده برای سیستم های توصیه گر:
• مدل های مبتنی بر قوانین وابستگی
• مدل های مبتنی بر گراف شباهت
• مدل های مبتنی بر الگوریتم های فراابتکاری
• مدل های مبتنی بر خوشه بندی
• مدل های مبتنی بر گراف
• مدل های مبتنی بر شبکه عصبی
• مدل های مبتنی بر تقسیم ماتریس
• مدل های مبتنی بر فاکتورسازی ماتریس

• …

فاکتورسازی ماتریس (تقسیم ماتریس) یکی از روش های معروف، پرکاربرد و کارآمد برای سیستم های توصیه گر است که اغلب روش های جدید و حتی قبلی خیلی روی این روش تاکید دارند. تقسیم ماتریس از موضوعات به‌روز درزمینه‌ی جبر خطی است که برای تحلیل داده‌ها و کاهش بعد به کار می‌رود. محبوب‌ترین مدل اعمال‌شده به پالایش مشارکتی، تقسیم ماتریس است که ماتریس رتبه‌بندی به دو ماتریس دیگر تقسیم می‌کند که نشان می‌دهد که هر دو کاربر و اقلام در فضای فاکتور ناپیوسته قرار دارندنحوه انجام توصیه‌ با استفاده از تقسیم ماتریس مبتنی بر پالایش گروهی اهمیت زیادی دارد. مطالعه نشان می‌دهد که عملکرد سیستم‌های توصیه‌گر بسته به ‌اندازه گروه‌ها متفاوت است و توصیه مبتنی بر تقسیم ماتریس یکی از بهترین گزینه‌ها برای سیستم‌های توصیه‌گر است. در این حوزه هدف، تقسیم ماتریس W شامل داده‌های نامنفی به حاصل‌ضرب ماتریس پایه A و ماتریس ضرایب B است.. این عمل برای کاهش هزینه ذخیره‌سازی اطلاعات و یا استفاده مؤثر از حافظه بسیار مطلوب است. اخیراً محققان مختلف، بسیاری از تقسیم ماتریس‌های مختلف مانند متناوب، افزایشی و چندگانه استفاده کرده‌اند. علیرغم این واقعیت که تقسیم ماتریس به‌طور گسترده درزمینه‌ی های مختلف یادگیری ماشین‌ها و زمینه‌های داده‌کاوی به‌طور گسترده‌ای مفید است، در هنگام پرداختن به مشکلات سخت‌افزاری با ویژگی اسپارتی، چالش‌های زیادی وجود دارد. عناصر ناشناخته در ماتریس رتبه‌بندی کاربر معمولاً بیشتر از موارد شناخته‌شده است؛ بنابراین استفاده از تقسیم ماتریس سنتی به‌طور مستقیم برای غلبه بر مشکلات پالایش مشارکتی مناسب نیست؛ و باید اطلاعت دیگری در ضمن تقسیم مورداستفاده قرار گیرد یا اینکه ماتریس رتبه‌ها خیلی تنک نباشد تا بتوان به‌خوبی تقسیم را انجام داد. برای حل تابع هدف فاکتورسازی ماتریس روش‌های بهینه‌سازی مختلفی ارائه‌ شده‌اند که ماتریس‌های کاربر و آیتم را طوری تخمین بزنند که خطای مطلق روی‌داده‌های آزمایشی کمینه شود.

 اعتماد و دوستی در شبکه های اجتماعی برای سیستم های توصیه گر:

توصیه‌های مبتنی بر اعتماد شامل ساخت یک شبکه اعتمادی است که در آن گره‌ها کاربران هستند و یال‌ها نمایش‌دهنده اعتماد به آن‌ها است. هدف از یک سیستم توصیه مبتنی بر اعتماد، تهیه توصیه‌های شخصی با جمع‌آوری نظرات سایر کاربران در شبکه اعتماد است. تکنیک‌های توصیه شده که شبکه‌های اعتماد را تجزیه و تحلیل می‌کنند، نتایج بسیار دقیق و بسیار شخصی را ارائه می‌دهند. شبکه‌های اجتماعی وب‌محور به عنوان رسانه‌ای برای انتشار اطلاعات و متصل‌سازی افرادی با طرز فکر مشابه به یکدیگر بسیار محبوب شده است. دسترس‌پذیری عمومی به چنین شبکه‌هایی که دارای قابلیت اشتراک‌گذاری عقاید، افکار، اطلاعات و تجربه هستند، وعده‌های بزرگی را به شرکت‌ها و دولت‌ها می‌دهند. علاوه بر استفاده‌های فردی از چنین شبکه‌هایی که معمولا برای ارتباط با دوستان و خانواده است، دولت‌ها و شرکت‌ها نیز از این پلتفرم‌ها برای ارائه خدمات خود به شهروندان و مشتریان استفاده می‌کنند. با این حال موفقیت‌های چنین تلاش‌هایی متکی به اعتماد اعضا به یکدیگر است و همچنین در ارتباط با اعتماد به ارائه‌دهنده‌های خدمات است. بنابراین اعتماد یک عنصر ضروری و مهم برای یک شبکه اجتماعی موفق است که اگر با فاکتورسازی ماتریس ترکیب شود نتایج خیلی خوبی تولید خواهد کرد.

در این بخش 8 الگوریتم مشهور سیستم های توصیه گر با زبان جاوا و کتابخانه قدرتمند لیبرک پیاده سازی شده اند. به دلیل اهمیت و بازدهی خیلی زیاد روش های مبتنی بر فاکتروسازی ماتریس، بیشتر روش های پیاده سازی شده در این آموزش مبتنی بر فاکتورسازی ماتریس می باشند.هدف اصلی از این دوره آموزشی معرفی و پیاده سازی سیستم های توصیه گر با زبان برنامه نویسی جاوا و کتابخانه قدرتمند librec می باشد. در این دوره سیستم های توصیه گر مبتنی بر شبکه های اجتماعی و فاکتورسازی ماتریس پیاده سازی می شود. مقالات معتبر کامل توضیح داده شده است و نکات پیرامون بحث گفته شده است و در نهایت پیاده سازی می شوند. بدون شک یکی از بهترین دوره های معتبر برای پیاده سازی سیستم های توصیه گر می باشد. دوره آموزشی با زبانی ساده قابل فهم و کاربردی توضیح داده شده است که خواننده در کوتاهترین زمان می تواند از این دوره برای کارهای علمی پژوهشی و یا کاربردی استفاده نماید.