سری مقاله های سیستم های توصیه گر- هیبرید

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 هیبرید

در این سیستم ها از دو یا چند نوع سیستم توصیه گر استفاده می شود. با استفاده از چند سیستم مختلف و بهره بردن از نقاط قوت آن ها می توان عملکرد کلی بهتری از سیستم توصیه گر دریافت کرد و محدودیت های روش ها را بر طرف کرد. سیستم های توصیه گر هیبرید را می توان به گروه های: توصیه گر وزنی (Weighted Recommender System)، ترکیب ویژگی ها (Feature Combination)، آبشاری (Cascade)، تقویت ویژگی (Feature Augmentation)، meta level، سوییچ کننده (Switching) و مرکب (Mixed) تقسیم کرد.

توصیه گر وزنی

این روش یکی از ساده ترین روش های سیستم های توصیه گر است. در این روش تمام سیستم های توصیه گر موجود امتیاز دهی خود را انجام می دهند. این امتیاز ها در ابتدا با وزن برابر با یکدیگر جمع می شوند و امتیاز کلی هر آیتم به دست می آید. در طول تعامل کاربر براساس اینکه پیشنهادها چقدر مورد پسند او قرار گرفته اند، ضرایب وزنی سیستم های توصیه گر مختلف اصلاح می شوند.

ترکیب ویژگی ها

در این روش به راحتی می توان دو سیستم فیلتر مشارکتی و محتوا محور را با یکدیگر ترکیب کرد. در واقع در این روش، اطلاعات مشارکتی مربوط به کاربر و آیتم ها به عنوان ویژگی آن ها منظور می شود و سپس با استفاده از فیلتر محتوا محور از این اطلاعات غنی استفاده می شود و آیتم ها امتیاز دهی می شوند. مزیت این روش استفاده از داده های مشارکتی است بدون اینکه بر آن ها متکی باشیم. در نتیجه حساسیت سیستم نسبت به تعداد کاربرانی که با آیتم ها تعامل داشته اند کم می شود.

آبشاری

در این روش ابتدا یک متد توصیه گر استفاده می شود تا یک مرحله داده ها فیلتر شوند. سپس بر داده های باقیمانده توسط یک متد توصیه گر دیگر بررسی بیشتری شده و تعدادی از آیتم ها به گزین می شوند و در گروه هایی با ارجحیت مساوی قرار داده می شوند. در مرحله ی بعد، متد فیلتر مشارکتی تساوی ها را برهم می زند و آیتم های پیشنهادی نهایی انتخاب می شوند. در این روش نیازی نیست متد دوم روی تمام داده ها انجام شود زیرا متداول که از اهمیت بالاتری برخوردار است به خوبی آیتم ها را از هم متمایز می کند. این ویژگی باعث بهبود کارایی سیستم می شود.

تقویت ویژگی

این روش نسبتاً تکنیک جدیدی است. در این روش یک متد توصیه گر به کار گرفته می شود تا اطلاعاتی از آیتم ها تولید کند که به عنوان ورودی به متد بعدی داده می شود. در میانه ی راه میتوان از الگوریتم های کمکی استفاده کرد یا داده ها را فیلتر کرد.

Meta level

این روش یکی از پر استفاده ترین روش های موجود است. در این روش خروجی یک توصیه گر به یک متد توصیه گر دیگر داده می شود. تفاوت این روش با روش تقویت ویژگی این است که در اینجا کل خروجی سیستم توصیه گر اول به سیستم دوم داده می شود در صورتی که در روش تقویت ویژگی صرفا از خروجی سیستم اول برای استخراج ویژگی ها استفاده می کنیم و این ویژگی ها به سیستم بعدی کمک می کند.

سوييچ کننده

در این روش در هر زمان فقط یک سیستم توصیه گر فعالیت می کند. برای تعویض نوع توصیه گر ها باید یکسری معیار هایی تعریف شود و مداوم این معیار ها ارزشیابی شوند. استفاده از این روش باعث می شود تا سیستم کلی نسبت به نقاط قوت و ضعف زیرسیستم هایش حساسیت داشته باشد. باید توجه داشت که استفاده از این روش می تواند پیچیدگی هایی به همراه داشته باشد؛ زیرا معیار تعویض متد توصیه گر باید به دست آید که این موضوع یک پارامتر دیگر به مسئله ی ما اضافه می کند.

مرکب

در این روش برای هر نوع داده از یک متد توصیه گر استفاده می شود و در نهایت ترکیبی از این نتایج منجر به توصیه ی نهایی می شود. برای مثال در یک سایت فیلم، متد محتوا محور برای تحلیل توضیحات فیلم و متد فیلتر مشارکتی برای تحلیل ترجیحات کاربران به کار می رود. این روش از مشکل شروع سرد برای آیتم ها و کاربران جلوگیری می کند.

تا اینجای این سری مقاله ها، با سیستم های توصیه گر و انواع آن ها آشنا شدیم. در آخرین مقاله روش TF-IDF که در مقالات قبلی به آن اشاره شد را توضیح می دهیم. امیدوارم برای شما مفید باشد.

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://chistio.ir/%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%D8%AA%D9%88%D8%B5%DB%8C%D9%87-%DA%AF%D8%B1-recommendation-system-%DA%86%DB%8C%D8%B3%D8%AA%D8%9F/

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://fa.wikipedia.org/wiki/%D8%B3%D8%A7%D9%85%D8%A7%D9%86%D9%87_%D8%AA%D9%88%D8%B5%DB%8C%D9%87%E2%80%8C%DA%AF%D8%B1

https://towardsdatascience.com/various-implementations-of-collaborative-filtering-100385c6dfe0

https://en.wikipedia.org/wiki/Collaborative_filtering

https://towardsdatascience.com/brief-on-recommender-systems-b86a1068a4dd