Astaraki

سیستم های توصیه گر تعاملی و غیر تعاملی

ما اقدام به توسعه این مفهوم به یک روش استقرایی خواهیم کرد. برای این منظور، ما دو نمونه مشخصه سیستم های توصیه گر تعاملی و غیر تعاملی استفاده کنید.
دو سیستم که از لحاظ شرایط تعاملی کاملا مخالف یکدیگر هستند عبارتند از WebWatcher ]20[،]43[ و سیستم Syskill&Webert ]23[،]44[ .
اگر چه هر دوی آنها معمولا با هم در یک رده مشابه با عنوان سیستم های توصیه گر مبتنی بر محتوی قرار می¬گیرند.
توصیه گرهای مبتنی بر محتوا سعی در پیشنهاد کردن آیتم هایی مشابه به آنچه که در گذشته برای کاربر مورد نظر، جالب یا مفید بوده است دارند. در نتیجه، آنها برای حل این سوال نیاز به ایجاد یک پروفایل کاربر خواهند داشت. در هر دو مورد، اقلام در نظر گرفته شده لینک وب هستند. در حالت اول، Syskill&Webert پروفایل کاربر خود را به وسیله امتیاز جمع آوری شده (صریح) بدست آمده توسط هر کاربر برای بعضی از صفحات وب بازدید شده است. در مورد دوم، WebWatcher از طریق برجسته کردن به عنوان مثال توصیه¬ی برخی از لینکهای موجود در هر صفحه¬ی نشان داده به هر کاربر، وی را در انجام بررسی هایش کمک می نماید. این روش در اصطلاح علامت گذاری در متن نامیده می شود. در WebWatcher، کاربر می تواند بر روی پیشنهادات کلیک نماید و یا خیر، اما، هر آنچه که انجام شود، به عنوان رفتار کاربر در سیستم ثبت شده و پروفایل مشخصات کاربر به روز رسانی می گردد.
لزوما بایستی بدین موضوع اشاره کنیم که Syskill&Webert می تواند قبل از اینکه هر گونه توصیه ای رخ دهد، بازخورد کاربران را بدست آورد. در واقع، هیچ چیزی به هیچ وجه برای کاربران ممانعتی در امتیازدهی به اشیاء در برنامه های کاربردی که شامل هیچ سیستم توصیه گری نیستند، ایجاد نمی نماید. و این ممکن است موردی باشد، به عنوان مثال، در برنامه های کاربردی که تنها برای تجزیه و تحلیل داده های کاربر استفاده می شوند.
به هیچ وجه، WebWatcher را نمی توان مشابه با این مورد در نظر گرفت. در واقع، در این سیستم توصیه گر، داده های جمع آوری شده به شدت به فعالیت های قبلی توصیه گر روی کاربر بستگی دارد. واضح است که فقط توصیه هایی که قبلا به کاربر نشان داده شده است امکان وجود در ادامه خواهند داشت. بنابراین، برای تمایز بین این دو نوع از سیستم های توصیه گر، سیستم های شبیه به WebWatcher را توصیه گرهای تعاملی و مابقی را توصیه گرهای غیر تعاملی می نامیم. توجه داشته باشید که منظور این نیست که توصیه گرهای غیر تعاملی نیازی به تعامل با کاربران ندارند، چرا که هر سیستم تطبیق پذیری نیازمند آن خواهد بود. بلکه، آنچه منظور ماست، این است که در مورد دوم، داده های تعاملی کاربران از سیستمی خارجی که هرگز بخشی از سیستم توصیه گر نیست جمع آوری شده است. به عبارت دیگر، در سیستم های توصیه گر غیر تعاملی، داده های تعاملی کاربران می تواند قبل از تعامل هر کاربر با سیستم توصیه گر، جمع آوری گردد.
در حال حاضر، یک پرسش مهم مطرح می شود : آیا می توان سیستم های توصیه گر تعاملی و غیر تعاملی را با استفاده از معیارهایی مشابه ارزیابی نمود؟ در نگاه اول هر دو نمونه، Syskill&Webert و WebWatcher توسط همان معیار دقت مورد ارزیابی قرار گرفتند. با این حال، اگر روشی را که آنها در محاسبه¬ی مقادیر خود بکار می برند مرور نماییم ما متوجه خواهیم شد که حتی اگر چه هر دو نام یکسانی دارند، اما معیارها مشابه نیستند (ما مجددا در بخش 4 به این ایده بازخواهیم گشت).
در واقع، در مورد Syskill&Webert هدف ارزیابی این است که " تعیین کند که آیا این امکان برای یادگیری ترجیحات کاربر به دقت وجود دارد؟" ]44[. با این حال که، در مورد WebWatcher هدف ارزیابی این است که "چگونه خوب (دقیق) WebWatcher می تواند یاد بگیرد که به کاربر توصیه نماید؟" ]20[.
همچنین بایستی مجددا اشاره کنیم که در مورد Syskill&Webert ارزیابی ممکن است با داده های ذخیره شده و استاتیک انجام گردد در حالیکه در مورد دوم داده های تعاملی و پویا مورد نیاز است.
با توجه به موارد گفته شده به نظر می رسد این دو سیستم متفاوت هستند، زیرا آنها دارای اهداف متفاوتی هستند. با این حال، ما ادعا می کنیم که آنها تنها یک هدف مشترک دارند، حتی اگر هر یک از سیستم ها توجه خود را به بخش های متفاوتی از آن معطوف نمایند. بنابراین، در مورد Syskill&Webert توجه خود را بیشتر در بخش دوم هدف مشترک قرار داده است: تعیین ترجیحات کاربر با دقت جهت ارائه¬ی اقلام مفید و جالب به کاربر. گرچه، در مورد WebWatcher، توجه خود را در بخش اول هدف مشترک معطوف نموده است: یاد گیری توصیه به کاربر جهت راهنمایی وی به درستی.
در نتیجه، ما چارچوبی را در نظر می گیریم که در آن هر سیستم توصیه گر از دو زیرسیستم مختلف تشکیل شده است: یک زیرسیستم تعاملی و یک زیرسیستم غیر تعاملی. هر زیرسیستمی به ترتیب عهده دار زیر اهداف مربوط به خودش خواهد بود: (الف) راهنمایی کاربر و (ب) ارائه¬ی آیتم های مفید و جالب.
معمولا در هر سیستم توصیه گر یکی از دو زیر سیستم فعال تر از دیگری می¬باشد، و کلاس آن (تعاملی و یا غیر تعاملی) به این امر بستگی دارد. در نهایت، توجه کنید که هر کدامیک از دو زیر سیستم فوق به زیر هدف مربوط به خود در حال حاضر نزدیکترند تا نزدیکی کل سیستم توصیه گر به هدف عمومی خود. بخش بعدی به توضیح هر یک از زیرسیستم ها همراه با ذکر جزئیات اختصاص دارد.

__________________

تعرفه ارزان تبلیغات در اولین و بزرگترین سایت هوش مصنوعی ایران !
با بیش از صد و چهل هزار کاربر!

it_heidari

سلام. میخواستم بدونم در سیستم های توصیه گر برای ایجاد پروفایل چه روش هایی وجود داره؟