توصیه مبتنی بر محتوا
توصیه مبتنی بر محتوا، آیتمهایی را پیشنهاد میکند که ویژگیهایشان شبیه به آیتمهایی است که کاربر قبلاً پسندیده است و با استفاده از محتوای آیتمها، نمایه (پروفایل) علایق کاربر را میسازد.
Definition
توصیه مبتنی بر محتوا، علاقه کاربر به یک آیتم را با مقایسه ویژگیهای محتوایی آیتم با نمایهای از ترجیحات کاربر که از آیتمهایی که قبلاً با آنها تعامل داشته است استنباط شده، پیشبینی میکند و آیتمهایی را که بیشترین شباهت را به نمایه دارند، توصیه میکند.
Scope
این موضوع به توصیههایی میپردازد که بر اساس توضیحات آیتم و یک نمایه کاربری یادگرفتهشده عمل میکنند: نمایش آیتمها با ویژگیهای محتوایی آنها، ساخت نمایههای کاربری از آیتمهای رتبهبندیشده یا مصرفشده، و تطبیق نمایهها با آیتمهای کاندید با استفاده از شباهت یا یادگیری نظارتشده. این موضوع به خویشاوندی نزدیک با بازیابی اطلاعات میپردازد، جایی که نمایه کاربری مانند یک پرسوجوی دائمی عمل میکند، و نقاط قوت و محدودیتهای مشخص مانند تخصصگرایی بیش از حد را مورد بررسی قرار میدهد. این موضوع شامل روشهای مشارکتی که از رفتار سایر کاربران استفاده میکنند، نمیشود.
Core questions
- آیتمها چگونه با ویژگیهای محتوایی برای توصیه نمایش داده میشوند؟
- نمایه کاربری چگونه از آیتمهایی که کاربر پسندیده است، ساخته میشود؟
- آیتمهای کاندید چگونه در برابر نمایه کاربری امتیازدهی میشوند؟
- توصیه مبتنی بر محتوا چه ارتباطی با بازیابی و فیلترینگ اطلاعات دارد؟
- چرا توصیه مبتنی بر محتوا به سمت تخصصگرایی بیش از حد گرایش دارد؟
Key concepts
- ویژگیهای محتوایی آیتم
- نمایه کاربری
- tf-idf و نمایههای کلمات کلیدی
- شباهت نمایه-آیتم
- یادگیری ترجیحات نظارتشده
- تخصصگرایی بیش از حد
- توضیحپذیری توصیهها
- مدیریت آیتمهای جدید
Key theories
- تطبیق نمایه به عنوان پرسوجو
- با نمایش آیتمها با ویژگیهای محتوایی و کاربر با نمایهای که از آیتمهای پسندیدهشده جمعآوری شده است، توصیه مبتنی بر محتوا به تطبیق شباهت به سبک بازیابی کاهش مییابد، جایی که نمایه مانند یک پرسوجوی پایدار در برابر کاتالوگ آیتم عمل میکند.
- نقاط قوت و تخصصگرایی بیش از حد
- روشهای مبتنی بر محتوا میتوانند آیتمهای جدید و خاص را توصیه کنند و پیشنهادات را بر اساس ویژگیها توضیح دهند، اما از آنجا که فقط آیتمهای مشابه با سابقه کاربر را نمایش میدهند، خطر یک مجموعه محدود و بیش از حد تخصصی را دارند که فاقد کشف تصادفی است.
Clinical relevance
توصیه مبتنی بر محتوا، پیشنهاداتی را برای مقالات، محصولات، موسیقی و ویدئوها ارائه میدهد که در آنها توضیحات آیتمها غنی است، و آیتمهای جدید را به خوبی مدیریت میکند زیرا به رتبهبندی دیگران وابسته نیست. این روش به طور گسترده با روشهای مشارکتی ترکیب میشود تا نقاط ضعف هر رویکرد را جبران کند.
History
توصیه مبتنی بر محتوا مستقیماً از فیلترینگ و بازیابی اطلاعات در دهه 1990 نشأت گرفت و نمایه کاربری را به عنوان یک پرسوجوی طولانیمدت در نظر گرفت. بررسی اجمالی پازانی و بیلوس و بررسی پیشرفته بعدی توسط لوپس و همکاران، تکنیکهای نمایش و یادگیری نمایه را تثبیت کرد، و این رویکرد به عنوان یک جزء استاندارد، به ویژه در سیستمهای ترکیبی، باقی مانده است.
Key figures
- Michael Pazzani
- Daniel Billsus
- Pasquale Lops
- Giovanni Semeraro
Related topics
Seminal works
- pazzani2007
- lops2011
Frequently asked questions
- توصیه مبتنی بر محتوا چه ارتباطی با بازیابی اطلاعات دارد؟
- بسیار نزدیک: نمایه کاربری نقش یک پرسوجو را ایفا میکند، آیتمها نقش اسناد را ایفا میکنند، و توصیه بهترین آیتمها اساساً رتبهبندی اسناد بر اساس شباهت به پرسوجو است. بسیاری از روشهای مبتنی بر محتوا از نمایشهای بازیابی مانند tf-idf و شباهت کسینوسی استفاده مجدد میکنند.
- تخصصگرایی بیش از حد در توصیه مبتنی بر محتوا چیست؟
- از آنجا که این روش فقط آیتمهای مشابه با آنچه کاربر قبلاً پسندیده است را توصیه میکند، میتواند به پیشنهاد موارد تقریباً تکراری ادامه دهد و آیتمهای جدید یا شگفتانگیزی را که کاربر ممکن است از آنها لذت ببرد، از دست بدهد. این عدم کشف تصادفی دلیل اصلی ترکیب روشهای مبتنی بر محتوا با فیلترینگ مشارکتی است.