تعاونی نیرومندسازی تحقیقات جامع ترین مرجع دانلود تحقیق، مقاله، سمینار و پایان نامه
مستندی درباره سیستم های توصیه گر
– توضیح انواع سیستم های توصیه گر
اگر چه ریشه های سیستم های توصیه گر می تواند به عقب برگردد که کار گسترده ایی در علوم شناختی می باشد, نظریه تقریب, بازیابی اطلاعات, پیش بینی نظریه ها, و همچنین ارتباط با علم مدیریت داشتن میباشد, و همچنین انتخاب مدل مصرف کننده در بازاریابی, سیستم های توصیه گر بعنوان یک زمینه تحقیقی مستقل در دهه 1990 پدیدار شد زمانیکه محققان تمرکز برروی مشکلات پیشنهادی که به صراحت بر ساختار رتبه بندی تکیه می کند را شروع کردند. در رایج ترین فرمول آن مشکل توصیه به کاهش مشکل رتبه بندی برای اقلامی که توسط کاربر دیدیه نمی شود برآورد شد.
بطور رسمی تر, مشکل توصیه می تواند بصورت زیر فرمول سازی شود. اجازه دهید C به عنوان مجموعه ایی از تمام کاربران و S مجموعه ایی از همه موارد ممکن که می تواند توصیه شود شامل کتابهاع فیلمها یا رستورانها. S فضایی از آیتم هایی که می تواند بسیار بزرگ باشد, مرتب کردن در صدها هزاران یا میلیون ها از اقلام در برخی از برنامه های کاربردی مانند پیشنهاد کتابها یا سی دی ها. بطور مشابه فضای کاربر نیز می تواند بسیار بزرگ باشد. فرض کنید u یک تابع سودمندی باشد که سودمندی اقلام s به کاربران c را اندازه گیری می کند( بعنوان مثال عدد صحیح غیر منفی یا اعداد حقیقی در محدوده ایی معین). سپس برای هر کاربر c زیر مجموعه C ما می خواهیم اقلام s زیر مجموعه S که حد اکثر ابزار کاربر را انتخاب کنیم. بطور رسمی تر
در سیتم های توصیه گر سودمند ابزار معمولأ بوسیله امتیاز نشان داده می شود, که نشان می دهد چگونه یک کاربر خاص کالای خاصی را دوست دارد. با این حال همانطور که قبلأ اشاره شد, بطور کلی ابزار تابع دلخواه می تواند, یک تابع مفید را شامل شود. بسته به نوع کاربرد سودمندی U می تواند توسط کاربر مشخص شود, که اغلب برای رتبه بندی تعریف شده توسط کاربر انجام می شود و یا توسط برنامه کاربردی محاسبه می شود و این موارد می تواند ابزاری برای تابع مبتنی بر سود باشد. هر جزء از فضای کاربر C می تواد با مشخصاتی تعریف شود که شامل کاراکترهای کاربران مختلف مانند سن, جنس و … می شود. در ساده ترین حالت مشخصات تنها می تواند یک عنصر منحصر بفرد مانند شناسه کابری باشد. بطور مشابه هر جزء از فضای اقلام S با مجموعه ایی از مشخصات تعریف شده است. مشکل اصلی سیستم های توصیه گر, در سودمندی U نهفته است که معمولأ در کل فضای C*S تعریف نمی شود اما بتنهایی بروی زر مجموعه ایی از آن می باشد. به این معنی که پارامتر U به درونیابی در کل مجموعه C*S نیاز دارد. در سیستم های توصیه گر, سودمندی بطور معمول با رتبه بندی نشان داده می شود و در ابتدا تنها برروی آیتم های امتیازدهی قبلی توسط کاربران تعریف شده است. نمونه ایی از یک ماتریس امتیازدهی کاربر- تکه برای توصیه فیلم در جدول 1 نشان داده شده که امتیاز آن از 1 تا 5 مشخص شده است. ” ” نمادی برای برخی رتبه بندی ها در جدول 1 است که کاربران امتیازی برای فیلم های مربوطه ندارند. بنابراین موتور توصیه باید قادر باشد رتبه بندی های ترکیبی بدون امتیاز کاربر/فیلم را برآورد کند و توصیه ای مناسب را براساس این پیش بینی ها صادر کند.
برون یابی از شناخت رتبه بندی ناشناخته هستند که معمولأ توسط 1. تعیین اکتشافی که تابع سودمندی و اعتبار تجربی عملکرد آن را تعریف می کند و 2. برآورد تابع مطلوبیت که بهینه سازی خاصی بر عملکرد معین مانند خطای مجذور میانگین را انجام می دهد.
سیستم های توصیه گر ابزارهای نرم افزاری هستند و تکنیکهای مشروط بر ارائه پیشنهادها, برای آیتم ها می باشد که کاربر از آنها استفاده می کند. هدف پیشنهادات ارائه شده, حمایت از کاربران شان در مراحل مختلف تصمیم گیری, مانند چه اقلامی را خرید کنیم,به چه موسقی گوش دهیم,یا ایبنکه چه خبری را بخوانیم. سیستم های توصیه گر به ابزاری ارزشمند ثابت شده اند برای کاربران آنلاین تا با اطلاعات اضافه مقابله کنند و به یکی از قدرتمندترین و محبوب ترین نرم افزار در تجارت الکترونیک تبدیل شوند. به همین طریق, تکنیک های مختلفی برای تولید توصیه مطرح شده اند, و در طول دهه گذشته بسیاری از آنها نیز با موفقیت در محیط های تجاری گسترش یافته اند.
