Grundy

Books

Video Recommender

Video

Ringo

Music

PHOAKS

Textual Information

Jester

Jokes

Fab System

Web page

با افزایش روز افزون اطلاعات، نیاز به وجود این سیستم­ها بیشتر احساس شده است. این سیستم­­ها پیشنهادات را با بهره گرفتن از انواع مختلف دانش و داده جمع آوری شده در مورد کاربران و اقلام و همچنین بررسی تراکنش­هایی مانند بازخوردی^[۱۵] که کاربران در گذشته ایجاد کرده ­اند تولید می­ کنند. در ساده­ترین فرم، این پیشنهادات به صورت یک لیستی که بر اساس علائق و نیازهای کاربر مرتب شده به او عرضه خواهد شد.
در [۳] سیستم­های پیشنهادگر براساس فیلترینگ اشتراکی^[۱۶]، محتوا^[۱۷]، آمارگیری^[۱۸]، سود^[۱۹]، دانش^[۲۰]،و ترکیبی^[۲۱] کلاس­بندی شده­­اند.
۱-۳-۱- سیستم پیشنهادگر بر اساس فیلترینگ اشتراکی
فیلترینگ اشتراکی یکی از رایج­ترین راهکارها در سیستم­های پیشنهادگر است .[۴] این راهکار اقلامی که کاربران مشابه با کاربر فعال در گذشته به آنها علاقه داشته اند را به او پیشنهاد می­ کند. شباهت بین کاربران بر اساس نحوه­ امتیاز­دهی­شان در گذشته محاسبه می­ شود.
این پایان نامه بر اساس این نوع از سیستم­های پیشنهادگر می­باشد که در فصل دوم به تفصیل توضیح داده خواهد شد.
۱-۳-۲- سیستم پیشنهادگر محتوا محور
یکی از پر کاربردترین راهکارها در سیستم­های پیشنهادگر روش محتوا محور می­باشد. سیستم­های محتوا محور بر اساس ویژگی­های اقلام تعریف می­شوند. آنها بررسی می­ کنند که کاربر در گذشته چه اقلامی مورد علاقه­اش بوده، سپس اقلام مشابه را به او پیشنهاد می­ دهند. مثلا اگر کسی در گذشته به فیلمی از نوع کمدی امتیار مثبت داده است این سیستم در آینده فیلم­هایی از این نوع را به او پیشنهاد می­ کند. از آنجا که روش پیشنهادی در این پایان نامه از روش محتوا محور استفاده می کند، در فصل پنجم به طور مفصل در مورد سیستم پیشنهادگر محتوا محور بحث خواهد شد.
۱-۳-۳- سیستم پیشنهادگر بر اساس آمارگیری
تکنیک پیشنهاد براساس آمارگیری مبتنی بر اطلاعات آماری کاربران می­باشد. داده­هایی که در نمایه­^[۲۲] کاربر وجود دارد مانند جنسیت، سن، وضعیت خانوادگی و … نمونه­هایی از اطلاعات آماری کاربر می­باشد. کاربران بر اساس خصوصیاتشان کلاس بندی می­شوند و پیشنهادات بر اساس این کلاس­ها صورت می­پذیرد.
۱-۳-۴- سیستم پیشنهادگر بر اساس سود
سیستم­های بر اساس سود، تابع سود^[۲۳] که توسط کاربر تولید می­ شود را به کار می­برند. به عنوان مثال درقالب پرسشنامه این کار صورت می­پذیرد. سپس بر اساس اینکه هر قلم^[۲۴] چه مقدار سود برای کاربر دارد پیشنهادات صورت می­گیرد. این نوع از سیستم­ها تکنیک­های ارضای محدودیت^[۲۵] را به کار می­برند تا بهترین قلم را پیشنهاد کنند.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۱-۳-۵- سیستم پیشنهادگر بر اساس دانش
سیستم­های پیشنهاد­گر بر اساس دانش، از دانشی که از خصوصیات اقلام و کاربران استخراج می­گردد بهره برداری می­ کنند. آنها بررسی می­ کنند که چطور یک قلم به­خصوص می ­تواند نیازهای کاربر را بر آورده سازد. در ساده­ترین فرم، دانش مذکور می ­تواند در فرم درخواست توسط کاربر تولید شود.
۱-۳-۶- سیستم پیشنهادگر ترکیبی
سیستم­های پیشنهادگر ترکیبی دو یا چند تکنیک را ترکیب می­ کنند تا کارایی سیستم پیشنهادگر را افزایش دهند. مثلا دو تکنیک A وB را ترکیب می­ کنند که از مزایای تکنیک اول برای بر طرف سازی معایب تکنیک دوم استفاده کنند. مثلا متد فیلترینگ اشتراکی با مشکل قلم جدید و کاربر جدید مواجه می­باشد. یعنی قلمی که تا کنون هیچ کس به آن امتیازی نداده است را نمی­تواند پیشنهاد کند. در عین حال متد بر اساس محتوا به دلیل اینکه پیشنهادات بر اساس محتوا و ویژگی­های اقلام می­باشد نه امتیازات داده شده به آنها، چنین مشکلی را ندارد. پس می­توان از ترکیب این دو متد در برطرف کردن نواقص یکدیگر استفاده نمود.
۱-۴- بررسی سایت Movielens
MovieLens یک سیستم پیشنهادگر فیلم است (شکل شماره­ ۲). راهکار این سیستم به این صورت است که از کاربر می­خواهد به فیلم هایی که تا کنون دیده است در بازه­ ۱ تا ۵ امتیازدهی کند (شکل شماره­ ۳). پس از آن امتیازات داده شده از سوی کاربر را ذخیره کرده و از کاربر یک مدل می­سازد. زمانی که کاربر درخواست می­ کند که سیستم فیلم­هایی را به او پیشنهاد کند، سیستم مدل کاربر فعال^[۲۶] و همچنن مدل کاربرانی که شبیه به او می­باشند را استخراج کرده و امتیاز فیلم­هایی که کاربر فعال تا کنون ندیده است را از روی مدل کاربران شبیه به او پیش ­بینی می­ کند. سپس­فیلم­هایی که برای آنها امتیاز بالایی پیش ­بینی شده است را به کاربر فعال پیشنهاد می­ کند. کاربر لیست پیشنهاد شده از سوی سیستم را مشاهده کرده و فیلم­های مورد علاقه­اش را انتخاب می­ کند (شکل شماره­ ۴).

شکل شماره­ ۲ : نمونه صفحه­ای از سایت Movielens [5]

شکل شماره­ ۳: نمونه صفحه­ درخواست امتیازدهی Movielens از کاربر [۵]

شکل شماره­­ ۴ : نمونه صفحه­ فیلم­های پیشنهادی از سوی Movielens به کاربر [۵]