در این سری مقالات به سیستم های توصیه گر می پردازیم. با استفاده از لینک های زیر می توانید به بقیه ی بخش ها دسترسی داشته باشید:
- سیستم های توصیه گر
- سیستم های توصیه گر فیلتر محتوا محور (Content-based filtering - CB)
- سیستم های توصیه گر فیلتر مشارکتی (Collaborative filtering - CF)
- سیستم های توصیه گر مبتنی بر دانش (Knowledge-based)
- سیستم های توصیه گر هیبرید (Hybrid systems)
- TF-IDF
سیستم های توصیه گر مبتنی بر دانش (Knowledge-based)
این روش چالش های ذکر شده در مقالات سیستم های توصیه گر فیلتر محتوا محور و سیستم های توصیه گر فیلتر مشارکتی 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، پیشنهادهای خود را بر پایه ی تفسیر و استنباط خود از سلیقه ها و نیازهای 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. سیستم های مبتنی بر دانش از متدهای مختلفی که برای تحلیل دانش قابل استفاده هستند بهره می برند که متدهای رایج در الگوریتم های ژنتیک، فازی، شبکه های عصبی و … از جمله آنها است. همچنین، در این گونه سیستم ها از درخت های تصمیم، استدلال نمونه محور و … نیز می توان استفاده کرد. روش مبتنی بر دانش خود به دو روش مبتنی بر قید (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 را 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 میان آن ها توصیه می کند اما روش مبتنی بر قید، با توجه به قانون های توصیه ای که از قبل به طور صریح تعبیه شده اند، فرایند توصیه را انجام می دهد.
در این مقاله سیستم های توصیه گر مبتنی بر دانش را معرفی کردیم. در بخش بعدی با سیستم های توصیه گر هیبرید بیشتر آشنا می شویم.
منابع
G. Adomavicius and A. Tuzhilin, "Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions," in IEEE Transactions on Knowledge and Data Engineering, vol. 17, no. 6, pp. 734-749, June 2005.
Isinkaye, F., Folajimi, Y. and Ojokoh, B., 2015. Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal, 16(3), pp.261-273.
Abhigna, B.S. and Banda, M.L., Recommendation Systems: A Review of Applications.
https://www.ted.com/talks/eli_pariser_beware_online_filter_bubbles?language=en
https://en.wikipedia.org/wiki/Cold_start_(recommender_systems)
https://www.bluepiit.com/blog/demystifying-hybrid-recommender-systems-and-their-use-cases/
https://en.wikipedia.org/wiki/Item-item_collaborative_filtering
https://www.bluepiit.com/blog/classifying-recommender-systems/
https://en.wikipedia.org/wiki/Recommender_system
https://towardsdatascience.com/various-implementations-of-collaborative-filtering-100385c6dfe0
https://en.wikipedia.org/wiki/Collaborative_filtering
https://towardsdatascience.com/brief-on-recommender-systems-b86a1068a4dd
https://towardsdatascience.com/recommendation-systems-a-review-d4592b6caf4b