ریکامندر سیستم
تا حالا اسم ریکامندر سیستم به گوشتون خورده؟
میدونین کاربردش تو زندگی روزانمون چیه؟
این تکنولوژی به شما خیلی کمک کرده بدون اینکه حتی خودتون متوجه بشین.
مثلا شما اگر طرفدار موضوع خاصی توی اینستاگرام، مثل غذا و فودبلاگری باشین بعد از مدتی متوجه میشید که خود اینستا با توجه به پستهایی که لایک و سیو کردین، یا به اشتراک گذاشتین، پستای مرتبط با این موضوع رو بهتون پیشنهاد میده.
این دقیقا همون کاریه که ریکامندر سیستم انجام میده که علاوه بر اینستاگرام توی بقیه شبکههای اجتماعی(توییتر)،YouTube ، Spotify، Netflix، فروشگاههای اینترنتی و ... وجود داره.
همینطور که هممون میدونیم اینترنت یه منبع بزرگ از اطلاعات محسوب میشه که توی اون بدون راهنمایی درست، ممکنه انتخابهای غلط و نامربوط داشته باشیم.
این سیستم برای حل این مشکل ساخته شده و به کاربر مثل یک راهنما کمک میکنه که سریعتر به هدفش برسه.( مثل این مشاورای کنکورکه نقشه راه نشون میدن البته این سیستما رو مخ نیستن!)
ریکامندر سیستما بهطور کلی به سه دسته تقسیم میشن؛ در رایجترین تقسیمبندی، اونا رو به سه گروه ۱. Collaborative filtering ۲. Content-based filtering و ۳. Session-based، تقسیم میکنن، (توضیحش به اندازه اسماش قلمبه سلمبه نیست پس کپ نکنین) که البته یه گونه چهارم هم به اسم Hybrid RS به اونا اضافه میشه.
Collaborative filtering : این دسته از سیستما از نظرای بقیه کاربرا استفاده میکنه تا یه چیزی رو به ما پیشنهاد بده.
مثلا چندتا محصول داخل یه دونه آنلاین شاپ توجه درصد زیادی از کاربرا رو جلب میکنه و به قول معروف خیلی لایک میخوره. حالا سیستم به ما اون محصولارو پیشنهاد میده. یه نمونه واضح دیگه از این الگوریتم Explore اینستاگرام که پستای پرطرفدار رو داخل Explore رو به بقیه کاربرا نشون میده.
فقط یه مشکل داره، اونم اینه که تو شروع کار سیستم یه مقدار گیج میزنه چون نمیدونه کاربرای سیستم چی دوست دارن ولی به مرور یاد میگیره و پیشنهاداش بهتر و بهتر میشه.تو این شرایط سیستما معمولا از یادگیری فعال برای حل مشکل استفاده میکنن.
Content-based filtering : تو این روش پیشنهادای سیستم با توجه به علایق قبلی کاربر انتخاب میشن و این الگوریتم بین content ها (اقلام!!!) شباهت پیدا میکنه.برخلاف الگوریتم قبلی که تمرکزش روی شباهت بین کاربرا بود.
حتما دیدین که اگه برای دفعه اول از سایتای معروف مثل دیجی کالا یه محصولیو بخرید یا بپسندین دفعه بعد که اون سایتو باز میکنید محصولای مرتبط با سلیقه قبلیتون رو به شما نشون میده
Session-based : این سیستم به تدریج علایق و نیازای کاربرا رو یاد میگیره و همزمان با بررسی ویژگیهایی که از هر کالا بهش داده شده به یه جمع بندی میرسه و کالایی رو به ما پیشنهاد میده.
گونه چهارم سیستمهای ترکیبی یا همون Hybrid RS ها ان. که ترکیبی از دو یا چند تا از سیستمای قبلی ان. طراحای این سیستما به دو دلیل این الگوریتما رو باهم ترکیب میکنن؛ ۱- عملکرد سیستم رو بهبود بدن ۲- نقطه ضعفهایی که هر الگوریتم به تنهایی داره رو کمش کنن.
چرا ریکامندر سیستم؟
- شرکتا از این سیستم برای افزایش فروش خودشون با شخصی سازی ( Customize کردن) پیشنهادای ارائه شده به کاربراشون و بهبود تجربه مشتریها استفاده میکنن و این باعث میشه از رقیباشون جلو بیوفتن.
- پیشنهادای ارائه شده توسط این سیستما سرعت سرچ توی موتورهای جستجو(مثل گوگل و DuckDuckGo) رو زیاد میکنه از اون طرف به کاربرا محتوایی که بهش علاقه دارن رو نشون میده و این یه فرایند دو سر برده.
- وقتی که کاربرا همیشه پیشنهادای مورد علاقشونو دریافت بکنن اعتمادشون به شرکت یا اون سایت بیشتر میشه و به یه مشتری وفادار تبدیل میشن.
برای اونا که میخوان بیشتر بدونن:
اگه بخوام روند کار این سیستم رو به یه چیزی تشبیه کنم میتونم بگم این سیستم در اول کار مثل یه نقاشه که یه بوم نقاشی سفید جلوش هست، این بوم یه سری سطر و ستون داره. که میشه کاربرا رو به عنوان ستونهای این بوم و ویژگیهای کالاها( یا محتواها برای شبکههای اجتماعی ) به عنوان سطرهای این بوم در نظر گرفت.
هر دفعه که کاربر نسبت به یک ویژگی علاقه نشون میده نقاش میاد و ستون مربوط به اون کاربر رو پیدا میکنه و سطر مربوط به اون ویژگی رو رنگ میکنه.
هر کالایی یک سری ویژگی یا به اصطلاح تگ داره، برای سرچهای بعدی اون کاربر، سیستم میاد و خونه های رنگی از اون ستون کاربرو بررسی میکنه و کالا یا محتوایی با تگهای مشابه تگهای رنگ شده در اون ستون رو به کاربر پیشنهاد میده، هرچقدر کاربرا بیشتر جستجو کنن بوم نقاشی بیشتر رنگ میشه. و نقاش بیشتر از علایق کاربرا آگاه میشه.
در واقع بوم نقاشی یه ماتریسه و هر کاربر یه وکتور از اون ماتریس، هر بٌعد از اون وکتور یه تگ یا یه ویژگی از کالا یا محتواست. به ازای هر کالا هم یه وکتور تعریف میشه که تگهای مربوط به اون کالا مقدارش غیر صفر و تگهای نامرتبط مقدارش صفره. وقتی که یه کاربر به سیستم اضافه میشه یه وکتور جدید که همه مولفه هاش صفرن به ماتریس اضافه میشه و با هر سرچ از اون کاربر مولفه های وکتور تغییر میکنن. هر دفعه که سیستم بخواد به کاربر کالا یا محتوایی رو پیشنهاد بده، میاد و وکتورهای مربوط به کالاهارو با وکتور مربوط به مشتری مطابقت میده و هر کالا یا محتوایی که تطابق بیشتری داشت به کاربر پیشنهاد میده.
با همکاری: محدثه مختاری
مطلبی دیگر از این انتشارات
apple technology and artificial intelligence
مطلبی دیگر از این انتشارات
چه بلايی به سر فيسبوک، واتساپ و اينستاگرام اومد؟
مطلبی دیگر از این انتشارات
آنچه در رویداد ۳۰ شهریور مایکروسافت اتفاق افتاد