سیستمهای توصیهگر ترکیبی و آگاه به متن
سیستمهای توصیهگر ترکیبی چندین استراتژی توصیهگر را برای جبران نقاط ضعف فردی آنها ترکیب میکنند و سیستمهای توصیهگر آگاه به متن، پیشنهادها را با وضعیت کاربر تطبیق میدهند.
Definition
یک توصیهگر ترکیبی دو یا چند تکنیک توصیهگر را برای تولید پیشنهادهای بهتر از هر روش منفرد ترکیب میکند، و یک توصیهگر آگاه به متن اطلاعات متنی فراتر از هویت کاربر و آیتم، مانند زمان، مکان، خلق و خو یا همراهی، را در فرآیند توصیه لحاظ میکند.
Scope
این موضوع دو بسط مکمل از توصیهگرهای پایه را پوشش میدهد: سیستمهای ترکیبی که تکنیکهای مبتنی بر محتوا، مشارکتی و سایر تکنیکها را از طریق استراتژیهایی مانند وزندهی، سوئیچینگ، ترکیب ویژگیها و آبشاری ادغام میکنند؛ و توصیهگرهای آگاه به متن که عوامل متنی مانند زمان، مکان و دستگاه را در پیشبینی لحاظ میکنند. این موضوع به چگونگی بهبود دقت و استحکام از طریق ترکیب و زمینهسازی سیگنالها، به ویژه در برابر مشکل شروع سرد (cold start)، میپردازد، در حالی که روشهای پایه و ارزیابی را به موضوعات مرتبط واگذار میکند.
Core questions
- چرا روشهای مبتنی بر محتوا و مشارکتی را با هم ترکیب کنیم به جای اینکه از یکی به تنهایی استفاده کنیم؟
- چه استراتژیهایی برای ترکیبیسازی توصیهگرها وجود دارد، مانند وزندهی، سوئیچینگ و آبشاری؟
- چگونه افزودن متنهایی مانند زمان یا مکان، توصیهها را تغییر میدهد؟
- چگونه میتوان متن را به عنوان پیشفیلترینگ، پسفیلترینگ یا مدلسازی متنی مدلسازی کرد؟
- چگونه روشهای ترکیبی و آگاه به متن به مشکل شروع سرد و استحکام کمک میکنند؟
Key concepts
- توصیه ترکیبی
- ترکیبیهای وزندهی شده و سوئیچینگ
- ترکیبیهای آبشاری و ترکیب ویژگیها
- توصیه آگاه به متن
- پیشفیلترینگ و پسفیلترینگ متنی
- مدلسازی متنی
- کاهش مشکل شروع سرد
- مدلهای ترجیح چندبعدی
Key theories
- استراتژیهای ترکیبیسازی
- توصیهگرها را میتوان با ترکیب امتیازات آنها (وزندهی شده)، انتخاب از میان آنها بر اساس موقعیت (سوئیچینگ)، تغذیه خروجی یکی به دیگری (آبشاری یا افزایش ویژگی)، یا ادغام ویژگیهای آنها با هم ترکیب کرد، که استراتژی صحیح نقاط ضعف هر جزء را کاهش میدهد.
- پارادایمهای توصیه آگاه به متن
- متن را میتوان با فیلتر کردن دادهها قبل از توصیه (پیشفیلترینگ متنی)، تنظیم نتایج پس از آن (پسفیلترینگ)، یا مدلسازی مستقیم متن در یک مدل ترجیح چندبعدی (مدلسازی متنی) لحاظ کرد.
Clinical relevance
بیشتر سیستمهای توصیهگر تولیدی ترکیبی هستند که سیگنالهای مشارکتی، محتوایی و رفتاری را با هم ترکیب کرده و با متنهایی مانند دستگاه، زمان روز و فعالیتهای اخیر تطبیق مییابند. این تکنیکها دقت را بهبود میبخشند، مشکل شروع سرد را مدیریت میکنند و پیشنهادها را برای لحظه خاص تنظیم میکنند، که در خدمات موبایل و پخش جریانی (streaming) ضروری است.
History
بررسی سال ۲۰۰۲ بورک، استراتژیهای ترکیبیسازی را سیستماتیک کرد، زیرا محققان دریافتند که هیچ تکنیک توصیهگر منفردی به طور یکنواخت بهترین نیست. توصیهگرهای آگاه به متن در طول دهه ۲۰۰۰ توسعه یافتند و توسط آدومایسیوس و توزیلین رسمیت یافتند، زیرا محاسبات موبایل و فراگیر، سیگنالهای موقعیتی را در دسترس قرار داد. طراحیهای ترکیبی و آگاه به متن اکنون در سیستمهای مستقر شده استاندارد هستند.
Key figures
- Robin Burke
- Gediminas Adomavicius
- Alexander Tuzhilin
- Francesco Ricci
Related topics
Seminal works
- burke2002
- adomavicius2011
- ricci2015
Frequently asked questions
- چرا بیشتر سیستمهای توصیهگر واقعی ترکیبی هستند؟
- هر تکنیک نقاط ضعفی دارد: روشهای مبتنی بر محتوا بیش از حد تخصصی میشوند، و روشهای مشارکتی با مشکل شروع سرد و پراکندگی (sparsity) دست و پنجه نرم میکنند. ترکیب آنها باعث میشود نقاط قوت یکی، نقاط ضعف دیگری را پوشش دهد و معمولاً توصیههای دقیقتر و قویتری نسبت به هر روش منفرد ارائه میدهد.
- چه چیزی به عنوان متن در توصیه آگاه به متن محسوب میشود؟
- متن هرگونه اطلاعات موقعیتی فراتر از هویت کاربر و آیتم است که بر ترجیحات تأثیر میگذارد، مانند زمان، مکان، دستگاه، آب و هوا، یا اینکه کاربر با چه کسی است. لحاظ کردن آن به یک سیستم اجازه میدهد تا برای مثال، برای رفت و آمد در روزهای هفته در مقابل یک عصر آخر هفته، توصیههای متفاوتی ارائه دهد.