سیستم توصیه گر

امروزه، گردشگری و جذب توریست به عنوان یکی از منابع اقتصادی، به ویژه در کشورهای دارای سابقة فرهنگی و تاریخی بسیار مورد توجه است. در این میان، توسعة سامانه های مبتنی بر رایانه به منظور دادن اطلاعات دربارة مراکز گردشگری که متناسب با سلیقة کاربران باشد، به طور روز افزونی گسترش یافته است. انتخاب بهترین مکان و تعیین بهترین مسیر برای بازدید از آن هدف اصلی در برنامه ریزی گردشگری است. اگرچه سامانه های مختلفی جهت برنامه ریزی گردشگری وجود دارد، تعداد کمی از این سامانه ها به صورت هم زمان به علاقة کاربر، تعیین مسیر سفر و مدیریت زمانی در برنامه ریزی گردشگری توجه کرده اند. هدف این پژوهش، طراحی و اجرای سامانة توصیه گر مکانی تحت وب است. در این سامانه، پیشنهادهای دقیق و مورد پسند کاربران با توجه به علایق و ترجیحات آن ها مطرح می شود. معماری و طرح پیشنهادی سیستمِ توصیه گرِ مکان آگاه برای گردشگرانی که قصد بازدید از استان یزد را دارند، اجرا شده است. در نهایت، با استفاده از Google Map API یک برنامة کاربردی تحت وب جهت برنامه ریزی گردشگری تهیه، و مکان های گردشگریِ مورد پسند کاربر، با یک واسط گرافیکی کاملاً پویا و انعطاف پذیر به گردشگران معرفی شده است.

سلامت، بهداشت و خدمات درمانی قسمت جدایی ناپذیر زندگی هر فردی در طول زندگی اش است. هر فردی در دوره های مختلف زندگی خود به نوعی نیازهای متنوعی در حوزه سلامت احساس می کند که با استفاده از امکانات موجود، سعی در پاسخ گویی به این نیازها را دارد. با توجه به استقبال زیاد افراد از شبکه های اجتماعی در دو دهه اخیر، یکی از ابزارهایی که می تواند امکانات مختلفی را در اختیار افراد در حوزه سلامت بگذارد شبکه های اجتماعی است. در این پژوهش ی1ک شبکه اجتماعی سلامت معرفی شده است که بر روی ارتباط کاربران یا بیماران با پزشکان و خدمات درمانی مختلف تمرکز دارد. برای بهبود کارایی این شبکه یک سیستم توصیه گر پیشنهاد شده است که می تواند به کاربران یک پزشک، یک حوزه تخصصی جهت اخذ مشاوره پزشکی و یا یک مطلب را بر اساس نیازمندی های آنان پیشنهاد دهند. از شبکه های اطلاعاتی ناهمگون برای مدل سازی شبکه اجتماعی سلامت بهره گرفته ایم. این شبکه ها وجود چندین نوع شیء، مانند پزشک، بیمار و مشاوره، و چندین نوع رابطه، مانند درخواست مشاوره و پاسخ به مشاوره، را در برمی گیرند. برای مدل توصیه، با توجه به روش هایی که شبکه های ناهمگون ارائه می دهند، از بازخوردهای ضمنی ای که هر فرد در شبکه ثبت می کند، استفاده کردیم تا با یافتن شباهت های مطابق با این بازخوردها، بهترین پیشنهاد ها را به وی ارائه دهیم. برای الگوریتم یادگیری مدل توصیه از رتبه بندی، شخصی سازی شده بیزین استفاده شده است. الگوریتم ارائه شده ترکیبی از روش امتیاز رتبه بندی و الگوریتم یادگیری مذکور است. در انتها با اعمال روش پیشنهادی بر روی مجموعه داده، کارایی این شبکه اجتماعی و سیستم توصیه گر نشان داده شده است.

حفظ مشتری یکی از پراهمیت ترین مسائل هر سازمانی می باشد و یافتن راهی جهت حفظ و بقای مشتری از نیازهای کلیدی آن سازمان است. هدف اصلی پژوهش حاضر، در حوزه یادگیری ماشین با تمرکز بر شناسایی صحیح نیازهای مشتری با روشی مبتنی بر استخراج دیدگاه ها و تحلیل احساسات و کمی سازی گرایش احساسی مشتریان در مورد خدمات بانکی با بررسی و تحلیل نظرات آن ها می باشد. به عبارتی موضوع این پژوهش طراحی سیستم توصیه گر جهت ارائه خدمات مناسب به مشتریان، با استفاده از عقاید و تجارب آن ها می باشد. روش اجرای ارائه شده در پژوهش حاضر بدین ترتیب است که، با بررسی عقاید مشتریان و استخراج متغیرهایی چون نمره احساسات افراد برای توییت ها، نمره ارتباط، شباهت کسینوسی و میزان ضریب اطمینان در قالب فرآیند آموزش و تست، خدمات بانکی مناسب را پیشنهاد می دهد. به منظور ارائه این پیشنهاد، از روش های دسته بندی مناسب به همراه روش های عقیده کاوی و رویکرد اعتبارسنجی مناسب استفاده می شود و سیستم طراحی شده نهایی با خطایی اندک، جهت ارائه خدمات شخصی سازی شده، در راستای کمک به مدیران بانکی گام خواهد برداشت. ازآنجاییکه درحال حاضر ارائه خدمات بانکی متناسب با وضعیت مشتریان به طورکامل وجود ندارد، لذا سیستم مذکور در این زمینه بسیار راهگشا خواهد بود.

حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیم گیری و انتخاب اطلاعات، داده یا کالاهای مورد نیاز را برای بسیاری از کاربران وب دشوار کرده است. سیستم های توصیه گر با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب ترین اقلام داده، اطلاعات یا کالا می نمایند. در این پژوهش، با بهره گیری از تکنیک های یادگیری عمیق، روشی برای بهبود عملکرد سیستم های توصیه گر پالایش مشارکتی ارایه شده است. هدف، استفاده از استخراج عمیق ویژگی ها در جهت ارائه پیشنهادهای موثرتر و مطلوب تر به کاربر سیستم مورد نظر است. در بخش پیش پردازش، ابتدا داده های ورودی در سیستم پردازش اولیه قرار وارد می شوند و مقادیر ویژ گی ها نرمال سازی می شوند. سپس، برای اینکه محاسبات دقیق تر انجام گیرد و زمان محاسبات نیز کاهش یابد، با استفاده از یک شبکه باور عمیق (DBN)، ضمن استخراج عمیق ویژگی ها، ابعاد داده ها کاهش می یابد. سپس، با استفاده از تکنیک پالایش مشارکتی، اقلام پیشنهادی به کاربر ارائه می شوند. در پایان، با توجه به خروجی های سیستم در توصیه به کاربر، ارزیابی صحت اقلام پیشنهادی صورت می گیرد. جهت ارزیابی روش پیشنهادی از مقایسه عملکرد آن برروی مجموعه داده دنیای واقعی MovieLens با روش های پایه استفاده شده است. نتایج تجربی نشان داد روش پیشنهادی از نظر پوشش و حمایت نسبت به سایر روشهای مورد مقایسه، عملکرد بهتری دارد.

امروزه که رقابت بین شرکت های بازاریابی و خرده فروشی ها در بهترین حالت خود قرار دارد، شرکت ها سعی می کنند با توجه به رویکرد تقسیم بندی مشتریان و توصیه محصولات مناسب برای آن ها، برتری خود را از دست ندهند. خرید آنلاین در بازار مجازی به سرعت در حال افزایش است و معمولاً مشتریان بر اساس نیازها و تمایلات خود تصمیم به خرید می گیرند. فروشندگان نقش مهمی در تأثیرگذاری بر مشتریان دارند به همین دلیل سیستم توصیه محصول بسیار حیاتی است. سیستم توصیه محصول، کاربردهای متنوعی دارد و به منظور ترغیب مشتریان به خرید محصولات دیگر نیز مورد استفاده قرار می گیرد. در این پژوهش، یک روش برای توصیه محصول به مشتریان ارائه شده است که با استفاده از الگوریتم خوشه بندی K-mean و مدل RFM به تقسیم بندی مشتریان و سپس توصیه محصول به آن ها می پردازد. برای اثبات عملکرد سیستم پیشنهادی، آزمایش هایی با استفاده از داده های جمع آوری شده از شرکت «دیجی کالا» صورت گرفت. نتایج پژوهش نشان داد که خوشه بندی بر اساس ویژگی های R،  Fو M برای خوشه ی شماره صفر نتایج بهتری دارد. به همین دلیل، برای ترغیب مشتریان وفادار به خرید کالاهای با قیمت بالاتر، می توان از قیمتی که به خوشه شماره صفر (مشتریان وفادار) پیشنهاد می شود، بهره برد و تخفیف های ویژه ای برای این مشتریان در نظر گرفت.