نقش اینترنت اشیاء در سیستم های توصیه گر

در دنیای امروز نیازها در شهرها پیچیده شده اند و شهرها نیاز به هوشمند سازی دارند.اینترنت اشیاء در سیستم های توصیه گر مهم شناخته شد.

در این راستا ،یکی از مهم ترین نیازها در برنامه ریزی برای هوشمند سازی یک شهر،استفاده بهینه از فناوری اطلاعات و ارتباطات است.بنابراین برای پیاده سازی یک شهر

هوشمند نیاز به تعریفی دقیق از آن داریم.تحقیقات زیادی در رابطه با شهر هوشمند انجام شده است،اما هیچ کدام بر مبنای سیستم های توصیه گر و جمع سپاری به

معماری مشخص نرسیده اند .حال ببینیم در ادامه اینترنت اشیاء در سیستم های توصیه گر چه نقشی را دارد.

آشنایی با سیستم های توصیه گر

به لطف حضور کامپیوتر ها، جامعه ما دستخوش تغییرات بسیار بزرگی شده است.بخش بزرگی از زندگی ما را کامپیوتر ها و علی الخصوص اینترنت در بر گرفته است.یکی

از موضوعات مورد بحث در حال حاضر سیستم های توصیه گر می باشد.سیستم های توصیه گر (Recommender Systems) با اولین ظهورشان در زمینه فیلتر همبستگی

حوزه تحقیقاتی مهمی در اواسط دهه ۱۹۹۰ را فراهم نمودند. دردهه های اخیر دو بخش صنعت و دانشگاه دستاوردهای جدیدی در زمینه سیستم های توصیه گر توسعه

داده اند؛ با این وجود علاقه مندی به این بخش هنوز در سطح بالایی است، زیرا حوزه تحقیقاتی غنی بوده و نیاز  مبرمی به برنامه های کاربردی فراوانی به منظور کمک به

کاربران که با حجم زیادی از اطلاعات مواجه هستند به منظور شخصی سازی اطلاعات پیشنهادی وجود دارد. مثال هایی از چنین برنامه ها، سیستم پیشنهاد دهی کتاب،

CD و دیگر محصولات سایت Amazon و پیشنهاد فیلم توسط شرکت MovieLens می باشند.

عملکرد سیستمهای توصیه گر

به طور کلی وظیفه استفاده از سیستم های توصیه گر و فیلترینگ اطلاعات ، تبدیل اطلاعات موجود در مورد کاربران و اولویت های آن ها جهت پیش بینی علاقه آنها در

آینده می باشد. در واقع در این سیستم از بین آیتم های مختلف بر اساس اینکه چه آیتمی برای کاربر جذاب است، از یک مجموعه بزرگ از آیتم ها و کاربران فیلتر می

کنند.

با استفاده از سیستم های توصیه گر به طور مثال وقتی می خواهیم خرید بکنیم سایتی که از این سیستم استفاده می کند پیشنهادات خوب و متناسب با سلیقه

شخصیمان به ما می دهد. به طور کلی با توجه به اینکه سلیقه های متنوعی وجود دارد و محصولات انتخابی کاربران یکسان نیست. وظیفه سیستم های توصیه گر این

است که در بین هزاران محصول ، محصول درست و مورد پسند کاربر را به وی پیشنهاد دهد. این امر به ویژه در مورد آن دسته از شرکت هایی که خرید اینترنتی دارند

بیشتر به چشم می آید و می تواند موجب فروش بیشتر و در نتیجه سود دهی بیشتر برای یک شرکت و سیستم سازمانی باشد.

در شکل زیر شمای اصلی فرایند توصیه در سیستم های توصیه گر را می توانید مشاهده کنید:

سیستم های توصیه گر در کسب و کار

در حال حاضر بسیاری از شرکت های بزرگ برای پیشروی در کسب و کار خود از اینترنت اشیاء در سیستم های توصیه گر استفاده می کنند.با توجه به تفاوت در سلیقه

بین افراد مختلف در سنین مختلف بی شک محصولی که یک کاربر انتخاب می کند با کاربر دیگر متفاوت بوده و قطعا عملکرد سیستم های توصیه گر نیز باید متفاوت باشد.

سیستم های توصیه گر تاثیر بسزایی در درآمد شرکت های مختلف دارند و اگر درست استفاده شوند می توانند موجب سوددهی بسیار بالایی برای شرکت ها

باشند. به طور مثال شرکت Netflix اعلام کرده است که ۶۰% از DVDهایی که توسط این شرکت به کاربران اجاره داده می شود از طریق سیستم های توصیه گر بوده و این

سیستم ها توانستند تاثیر بسزایی در انتخاب مشتریان در انتخاب فیلم ها بگذارند. در جدول زیر لیست برخی از سایت هایی که از سیستم های توصیه گر استفاده می

کنند به همراه کالایی که پیشنهاد می کنند را مشاهده می کنید:

تقسیم بندی سیستم های توصیه گر

در کتاب های مختلف تقسیم بندی های مختلفی برای سیستم های توصیه گر وجود دارد. معمول ترین تقسیم بندی سیستم های توصیه گر بصورت زیر است:

فیلترینگ همکارانه (Collaborative Filtering)

دراین روش براساس شباهت رفتاری والگوهای عملکردی کاربرانی که شباهت های رفتاری و الگوهای مشابهی با کاربر فعلی در گذشته داشته اند، پیشنهادات ارائه می

شود. شاید تعریف آن کمی پیچیده باشد ولی به طور ساده روش فیلترینگ همکارانه بر این فرض استوار است که کاربرانی که یک سری نظرهای مشابه درباره یک آیتم

(منظور از آیتم، فیلم، عکس، موزیک یا هر چیز دیگری است که توصیه می شود) دارند، درباره آیتم های دیگر هم نظرات مشابه دارند. فیلترینگ همکارانه خود شامل سه

بخش است که باهم به بررسی آن ها می پردازیم:

مبتنی بر کاربر (User-based)

در این روش افراد هم سلیقه با توجه به امتیازاتی که به آیتم ها داده اند با هم دسته بندی می شوند و چون کاربرانی که سلیقه آن ها شبیه به فرد مورد نظر بود از یک

آیتم خوششان آمده بود پس آن آیتم را به فرد مورد نظر نیز پیشنهاد می دهند.

مبتنی بر آیتم (Item-based)

در این روش وقتی یک کاربر یک آیتم را می بیند، سیستم بصورت خودکار به دنبال آن می گردد که کاربرانی که قبلا این آیتم را دیده اند بعد از آن چه آیتم های دیگری را

دیده بودند. سپس سیستم آن آیتم ها را به کاربر پیشنهاد می دهد. مثلا در سایت Amazon اگر یک گوشی بخرید بعد از آن، سیستم توصیه گر قاب گوشی و محافظ

صفحه نمایشگر و چیزهایی مربوط به گوشی توصیه می کند.

ماتریس عامل بندی(Matrix Factorization)

درحالی که روش های مبتنی بر کاربر و مبتنی بر آیتم ساده هستند، معمولا روش های ماتریس عامل بندی بیشتر تاثیرگذار هستند. دلیل آن این است که این روش ها به

ما این امکان را می دهند که ویژگی های پنهانی که در بین فعل و انفعالات کاربران و آیتم ها وجود دارد را کشف کنیم. از این روش برای پیش بینی امتیازها در فیلترینگ

همکارانه استفاده می کنند. برای مثال دو کاربر ممکن است به آیتم های خاصی امتیاز بالا بدهند و دلیل این کار ممکن است بخاطر بازیگر، کارگردان یا ژانر آن فیلم ها

باشد. با تشخیص درست این ویژگی های پنهانی ما می توانیم امتیازها را بر اساس کاربر و آیتم های خاص پیشبینی کنیم.

فیلترینگ مبتنی بر محتوا (Content-based)

فیلترینگ مبتنی بر محتوا از اطلاعات متنی و سابقه های کاربر برای تطابق آیتم ها استفاده کرده و گزینه های مناسب را پیشنهاد می دهد. دانش اصلی ای که در این

تکنیک استفاده می شود اطلاعات آیتم ها است مثل ژانر، سال تولید و …  که براساس این اطلاعات، آیتم هایی که شبیه به هم هستند توصیه می شوند. نمونه عمده

این روش در وب سایت Amazon برای پیشنهاد کتاب ها بر اساس کلمات کلیدی کتاب های مشابه که سابقا توسط کاربر خریداری شده استفاده می شود.

اما این دو روش توصیه محدودیت هایی دارند. محدودیت های استفاده از فیلترینگ همکارانه و فیلترینگ مبتنی بر محتوا را می توانید در قالب مثال بعدی ببینید. معمولا ما

بصورت مکرر ماشین ، خانه و یا کامپیوتر نمی خریم. در این سناریوها یک سیستم فیلترینگ همکارانه خوب عمل نمی کند چون تعداد امتیازهای موجود بسیار کم است.

علاوه بر این، محدوده زمانی نقش بسیار مهمی ایفا می کند. برای مثال، امتیازهایی که ۵ سال قبل به یک کامپیوتر داده شده است به طور قطع برای توصیه مبتنی بر

محتوا مناسب نیست.

مبتنی بر دانش (Knowledge-based)

این روش چالش های ذکر شده را حل می کند. سیستم های توصیه گر مبتنی بر دانش، نسل جدیدی از سیستم های توصیه گر هستند که مبتنی بر دانش موجود در

رابطه با کاربران و آیتم ها هستند. چنین سیستم هایی، پیشنهادات خود را بر پایه تفسیر و استنباط خود از سلایق و نیاز های کاربر ارائه می دهند و از دیدگاه تئوری

نسبت به سایر روش های ذکر شده از دقت و کیفیت بیشتری برخوردار هستند. طبیعی است که برای پیاده سازی چنین سیستم هایی نیاز به یک بستر و ساختار مبتنی

بر دانش وجود دارد. در این گونه از سیستم های توصیه گر مواد اولیه مورد استفاده برای تولید لیستی از پیشنهادها، دانش سیستم در مورد مشتری و کالا است.

سیستم‌های مبتنی بر دانش از متدهای مختلفی که برای تحلیل دانش قابل استفاده هستند بهره می‌برند که متدهای رایج در الگوریتم‌های ژنتیک، فازی، شبکه‌های

عصبی و … از جمله آنها است. همچنین، در این گونه سیستم ‌ها از درخت‌های تصمیم، استدلال نمونه ‌محور و … نیز می‌توان استفاده کرد. روش مبتنی بر دانش خود به

دو روش مبتنی بر محدودیت (Constrain-based) و مبتنی بر مورد (Case-based) تقسیم می شود. هر دو روش از لحاظ فرایند توصیه یکی هستند یعنی اول یک کاربر باید

بطور دقیق درخواست خود را بگوید سپس سیستم تلاش می کند که یک راه حل تشخیص بدهد. سیستم حتی می تواند یک توضیح کوتاهی برای اینکه چرا یک آیتم رو

توصیه کرده است بدهد. اما این دو روش از لحاظ تهیه دانش باهم تفاوت دارند. روش مبتنی بر مورد، آیتم های مشابه را با استفاده از تشابه (similarity measure) توصیه

می کند اما روش مبتنی بر محدودیت، با توجه به قانون های توصیه ای که از قبل به طور صریح تعبیه شده فرایند توصیه را انجام می دهد.

روش های ترکیبی (Hybrid approaches)

این روش ترکیبی از روش های قبلی است که سعی کرده با ترکیب روش ها از مزیت آن روش ها استفاده کند و محدودیت های آن ها را پوشش دهد.

منبع:zerotohero.ir