سیستم توصیه گر(Recommendation System) چیست؟

«از مجموعه: درس آشنایی با داده کاوی(Data Mining) و کاربردهای آن»

پیش نیازهای این درس

درس یادگیری ماشین چیست؟ را حتما مطالعه داشته باشید. همچنین بهتر است درس طبقه بندی چیست؟ و خوشه بندی چیست؟ را هم مطالعه کنید

اگر درس یادگیری ماشین چیست؟ را خوانده باشید، متوجه شده اید که مثال آن درس یک مثال سیستم توصیه گر بود. در آن مثال ما میخواستیم به مشتری جدید که در سبد خرید خود چند محصول داشت، یک محصول جدید را پیشنهاد دهیم. اجازه بدهید یک مثال کاربردی دیگر از سیستم های توصیه گر را برایتان شرح دهیم.

فرض کنید شما یک وب سایت خبری یا تفریحی با صفحات مختلفی دارید. هر کاربر میتواند به وب سایت شما مراجعه کند و چند صفحه مختلف را مشاهده کند. اجازه دهید مثل دروس گذشته(طبقه بندی چیست؟ و خوشه بندی چیست؟)، جدول(یا همان ماتریس) کاربران و صفحات را رسم کنیم:

تفسیر ماتریس بالا بسیار ساده است. هر سطر از این ماتریس یک کاربر را نمایش می دهد، این در حالی است که هر ستون این ماتریس بیان گر یک صفحه از وب سایت است. همان طور که مشاهده میکنید، کاربر شماره ۱، صفحات ۲ و ۶ را مشاهده کرده ولی از بقیه صفحات بازدید نداشته است. کاربر شماره ۲ نیز صفحات ۱ و ۵ را مشاهده کرده است. فرض کنید که حدوده ۵۰هزار کاربر داریم و در حدوده ۱۰۰۰صفحه(که در ماتریس بالا نشان داده نشده است). به راحتی میتوانید ماتریس بالا را برای این کاربران و صفحات به صورت پایگاه داده ایجاد کنید.

با ایجاد این ماتریس و تزریق آن به الگوریتم های سیستم های توصیه گر(Recommendation Systems)، الگوریتم از این ماتریس یادگرفته و میتواند در مواقع لازم توصیه های مختلف را به کاربران شما ارائه دهد. مثلا فرض کنید در مثال بالا یک کاربر جدید وارد سیستم شده است و صفحات ۱ و ۴ را بازدید کرده است. سیستم با توجه به معیارهای مختلف یک سیستم توصیه گر و با توجه به کاربران قبلی این وب سایت که صفحات ۱ و ۴ یا یکی از این دو صفحه را مشاهده کرده اند، میتواند یک صفحه جدید(مثلا صفحه شماره ۱۰) را به کاربر حاضر پیشنهاد دهد(چون به احتمال زیاد این کاربر نیز، به آن صفحه جدید علاقه دارد – با توجه به کاربران قبلی).

«کتاب های ويژه چیستیو»
دانلود رایگان کتابچه آموزش نصب ابزار داده کاوی با پایتون

سیستم های توصیه گر و الگوریتم های آن ها بسیار وسیع هستند. از الگوریتم های نزدیک ترین همسایه(Nearest Neighbors) تا الگوریتم های Apriori و Eclat و FG Growth. همچنین روش های ترکیبی با خوشه بندی نیز(که در مثال یادگیری ماشین گفته شد) میتواند جهت سرعت بخشیدن و دقت بالاتر در این سیستم ها استفاده گردد.

کاربردهای سیستم های توصیه گر نیز میتوانند بسیار گسترده باشند، به جز مثال بالا که در مورد کاربران وب سایت ها بود، در مورد خریداران کالاهای مختلف و توصیه یک کالای جدید به کاربران جدید نیز میتوان از سیستم های توصیه گر استفاده کرد. در market placeهای مختلف مانند Google Play و یا Apple Store و موارد مشابه نیز میتوان سیستم توصیه گر را پیاده سازی کرد. به این صورت که با توجه به نرم افزارهایی که یک شخص دانلود کرده است، نرم افزار جدیدی(مطابق با رفتار کاربران دیگر) به این کاربر پیشنهاد کرد. حتی در قسمت های عمده فروشی(مثلا عمده فروشی مواد غذایی) نیز میتوان این سیستم های توصیه گر را پیاده سازی کرد. به صورتیکه که یک خریدار اگر چند جنس را با هم خرید کند، از میان رفتار مشتریان قبلی، میتوان یک یا چند محصول جدید دیگر را به این خریدار پیشنهاد داد.

پاسخ دهید

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