سیستمهای توصیهگر و محتوا
سیستمهای توصیهگر، اقلامی را که احتمالاً مورد علاقه کاربر هستند، پیشنهاد میکنند و دسترسی به اطلاعات شخصیسازیشدهای را فراهم میآورند که مکمل جستجوی مبتنی بر پرسوجو است.
Definition
یک سیستم توصیهگر، ترجیح کاربر را برای اقلام پیشبینی میکند و مجموعهای رتبهبندیشده از پیشنهادات را ارائه میدهد، با استفاده از شواهدی مانند محتوای اقلام، رفتار گذشته کاربر، و رفتار سایر کاربران، تا دسترسی به اطلاعات شخصیسازیشده را بدون نیاز به پرسوجوی صریح پشتیبانی کند.
Scope
این حوزه شامل سیستمهایی است که به طور فعال اقلامی را به کاربران توصیه میکنند: توصیه مبتنی بر محتوا که اقلام را با پروفایلهای کاربر مطابقت میدهد، فیلترینگ مشارکتی که از الگوهای بین کاربران و اقلام بهره میبرد، روشهای ترکیبی و آگاه به زمینه که سیگنالها را ترکیب کرده و با موقعیت سازگار میشوند، و ارزیابی توصیهها. این حوزه، توصیه را به عنوان شاخهای از دسترسی به اطلاعات با رویکرد شخصیسازی در نظر میگیرد که ارتباط نزدیکی با بازیابی دارد، ایدههای نمایش و ارزیابی را به اشتراک میگذارد، در حالی که به مشکل متمایز پیشنهاد اقلام بدون پرسوجوی صریح میپردازد.
Sub-topics
Core questions
- چگونه ترجیحات کاربر از رتبهبندیهای صریح و رفتارهای ضمنی استنباط میشوند؟
- توصیه مبتنی بر محتوا چه تفاوتی با فیلترینگ مشارکتی دارد؟
- چگونه روشهای مشارکتی از الگوهای بین بسیاری از کاربران و اقلام بهره میبرند؟
- چگونه سیگنالهای محتوایی، رفتاری، و زمینهای ترکیب میشوند؟
- کیفیت توصیه چگونه فراتر از دقت پیشبینی اندازهگیری میشود؟
Key concepts
- پروفایلهای کاربر و اقلام
- بازخورد صریح و ضمنی
- توصیه مبتنی بر محتوا
- فیلترینگ مشارکتی
- تجزیه ماتریس / عوامل پنهان
- مشکل شروع سرد (cold-start problem)
- توصیه آگاه به زمینه
- رتبهبندی و تنوع توصیه
Key theories
- فیلترینگ مبتنی بر محتوا در مقابل فیلترینگ مشارکتی
- روشهای مبتنی بر محتوا اقلامی را توصیه میکنند که مشابه اقلام مورد علاقه کاربر هستند و از ویژگیهای اقلام استفاده میکنند، در حالی که فیلترینگ مشارکتی اقلامی را توصیه میکند که کاربران مشابه دوست داشتهاند و از ماتریس تعامل کاربر-اقلام استفاده میکند، که هر کدام دارای نقاط قوت و ضعف مکمل هستند.
- تجزیه ماتریس و مدلهای عامل پنهان
- فیلترینگ مشارکتی را میتوان به عنوان تجزیه ماتریس رتبهبندی کاربر-اقلام پراکنده به عوامل کاربر و اقلام با ابعاد پایین در نظر گرفت، که حاصل ضرب داخلی آنها ترجیحات را پیشبینی میکند، تکنیکی که در توصیههای مدرن محوری است.
Clinical relevance
سیستمهای توصیهگر در تجارت الکترونیک، رسانههای جاری (استریمینگ)، اخبار، پلتفرمهای اجتماعی، و تبلیغات آنلاین نقش محوری دارند و بخش عمدهای از آنچه کاربران به صورت آنلاین با آن مواجه میشوند را شکل میدهند. آنها نمایشها، رتبهبندی، و روشهای ارزیابی را با بازیابی به اشتراک میگذارند، و نگرانیهایی مانند تنوع، انصاف، و حبابهای فیلتر، طراحی آنها را مهم میسازد.
History
سیستمهای توصیهگر در اواسط دهه ۱۹۹۰ با سیستمهای اولیه فیلترینگ مشارکتی مانند GroupLens ظهور کردند. رقابت جایزه نتفلیکس (۲۰۰۶-۲۰۰۹) پیشرفتهای عمدهای را در روشهای تجزیه ماتریس (matrix-factorization) تحریک کرد، و این حوزه به یک رشته گسترده شامل رویکردهای مبتنی بر محتوا، مشارکتی، ترکیبی، و آگاه به زمینه تبدیل شد که در کتابهای راهنما و درسی جامع تثبیت شده است.
Key figures
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
Related topics
Seminal works
- ricci2015
- adomavicius2005
- ekstrand2011
Frequently asked questions
- توصیه چه تفاوتی با جستجو دارد؟
- جستجو به یک پرسوجوی صریح که نیاز فوری را بیان میکند پاسخ میدهد، در حالی که توصیه به طور فعال اقلام را بر اساس ترجیحات و زمینه استنباط شده کاربر، اغلب بدون هیچ پرسوجویی، پیشنهاد میکند. آنها نمایشها و مکانیزم رتبهبندی را به اشتراک میگذارند اما مشکلات دسترسی به اطلاعات متفاوتی را حل میکنند.
- مشکل شروع سرد چیست؟
- شروع سرد به دشواری توصیه برای کاربران جدید یا اقلام جدید با سابقه تعامل کم یا بدون سابقه اشاره دارد. بدون رتبهبندی یا رفتاری برای یادگیری، روشهای مشارکتی با مشکل مواجه میشوند، به همین دلیل اغلب از ویژگیهای مبتنی بر محتوا و رویکردهای ترکیبی برای پر کردن این شکاف استفاده میشود.