سیستم های توصیه گر

با توجه به حجم عظیم اطلاعات در اینترنت، کاربران برای انتخاب کالا و خدمات موردپسند خود با گزینه های زیادی مواجه هستند. سیستم های توصیه گر با توجه به اطلاعات ثبت شده از انتخاب کاربران، افرادمرتبط یا مورداعتماد آن ها و نیز کالاهای انتخاب شده، مدلی را استخراج نموده و ضمن تخمین امتیاز کالاها، آنها را جهت توصیه به کاربر، اولویت بندی می نمایند. رویکرد مبتنی بر اعتماد، از شبکه اعتماد بین افراد برای تخمین امتیاز کالا استفاده می نماید. از آنجا که سطح اعتماد در زمینه های تخصصی متفاوت است، مقوله اعتماد در وجوه مختلف مورد توجه پژوهشگران قرارگرفته است. این مقاله مدل مبتنی بر اعتماد چندوجهی برای تخمین امتیاز کالا ارائه می دهد که در آن کاربران و کالاها با توجه به میزان تعلق به هر وجه و نیز سطح اعتماد در آن وجه در نظر گرفته می شوند. تحلیل مجموعه داده های Epinions نشان می دهد پراکندگی فاصله انتخاب افراد درون یک شبکه اعتماد چندوجهی به صورت معناداری کمتر از توزیع آنها در یک شبکه عام اعتماد است. درادامه عملکرد مدل پایه و مدل مبتنی بر تشابه نیز با  دو حالت عام و چندوجهی بررسی و مقایسه شده است. ارزیابی مدل ها بر اساس میانگین توان دو خطای تخمین و با تفکیک داده های Epinions به دو گروه آموزش و آزمون و همچنین روش تصدیق متقابل انجام گرفته است. نتایج نشان می دهد با در نظر گرفتن مولفه اعتماد به صورت چندوجهی، خطای تخمین به طور متوسط 20% کاهش یافته و عملکرد سیستم توصیه گر به صورت محسوسی ارتقاء می یابد

هدف اصلی این تحقیق، ارائه مدل وفاداری مشتری برای سیستم های توصیه گر تجارت الکترونیک است . مدل پیشنهادی، به کمک مدل موفقیت «سیستم اطلاعات دلون و مک لین» و مجموعه ای از عوامل شناخته شده از منابع موجود تدوین شده است . برای آزمایش فرضیه های تحقیقی مدل تدوین شده، نظرسنجی پرسشنامه ای انجام و داده های حاصل از 384 مشتری از یک وب سایت B2C جمع آوری شده است . در اجرای آمار توصیفی و تحلیل های مسیر و اعتبارسنجی مدل پیشنهادی، از نرم افزار "اس پی اس اس" و "اسمارت پی ال اس" استفاده شده است . نتایج «مدل سازی معادلات ساختاری»، نشان داد که عامل «اعتماد» دارای رابطه مهمی با رضایت مشتری در سیستم های توصیه گر تجارت الکترونیک است . علاوه بر آن ، نتایج حاکی از آن است که رضایت از محصولات پیشنهادی، می تواند موجب ارتقاء وفاداری مشتری در سیستم های توصیه گر B2C شود . مدل پیشنهادی، به مدیران تجارت الکترونیک برای بهبود سیستم های توصیه گر کمک خواهد کرد و از طریق کسب وفاداری مشتریان ، فروش محصولات را در وب سایت های فروش آنلاین افزایش خواهد داد.

Recommender systems are widely used, in social networks and online stores, to overcome the problems caused by the large amount of information. Most of these systems use a collaborative filtering method to generate recommendations to the users. But, as in this method users’ feedback is considered for recommendations, it can be significantly erroneous by the malicious people. In other words, there may be some users who open fake profiles and vote one-sided or biased in the system that may cause disturbance in providing proper recommendations to other users. This kind of damage is said to be shiling attacks. If the attackers succeed, the user's trust in the recommender systems will reduce. In recent years, efficient attack detection algorithms have been proposed, but each has its own limitations. In this paper, we use profile-based and item-based algorithms to provide a new mechanism to significantly reduce the detection error for shilling attacks.

امروزه سیستم توصیه گر، روش پالایش اطلاعات بین وب سایت ها و کاربران را به منظور شناسایی علاقه کاربر و ایجاد محصول پیشنهادی برای کاربران فعال تغییر داده است. سیستم های توصیه گر را به طورکلی به سه گروه مبتنی بر محتوا، مبتنی بر دانش و مبتنی بر پالایش مشارکتی و در بعضی موارد ترکیبی تقسیم می کنند. ایده اصلی پالایش مشارکتی این است که اگر کاربران علایق مشابه یا یکسان در گذشته داشته باشند و آن را به اشتراک بگذارند، در آینده نیز احتمالاً سلیقه های مشابه خواهند داشت. این رویکرد نیاز به هیچ دانشی در مورد آیتم ها ندارد. پالایش مشارکتی نیز دارای دو نوع اصلی مبتنی بر حافظه و مبتنی بر مدل است. روش مبتنی بر حافظه از اطلاعات امتیازدهی کاربران برای محاسبه شباهت بین کاربران یا آیتم ها استفاده می کند. هدف اصلی این پژوهش نیز ارائه یک سیستم پیشنهاددهنده مبتنی بر حافظه برای بهبود نتایج الگوریتم پالایش مشارکتی است. در روش پیشنهادی برای یافتن شبیه ترین کاربران به کاربر هدف از ترکیب دو الگوریتم گرگ خاکستری فازی و الگوریتم شیر استفاده شده است. نتایج اجرای روش پیشنهادی نشان می دهد که پارامترهای Precision، Recall و F-measure نسبت به روش های پایه افزایش یافته اند.

سیستم های توصیه گر یکی از ضروری ترین ابزارهای هوشمندسازی تجارت الکترونیک است. این سیستم ها با انواع مختلف روش های فیلتر کردن داده ها و داده کاوی، قادر به انتخاب و ارایه بهترین پیشنهادات از بین انبوه موارد قابل انتخاب برای مشتریان هستند. در بین روش های متنوع سیستم های توصیه گر، فیلترهای اشتراکی پرکاربردترین روش برای ارایه پیشنهادات است. فیلترهای اشتراکی دامنه وسیعی از الگوریتم ها را شامل می شود و در این بین، روش تجزیه ماتریس به مقادیر منفرد یکی از مدل های پیشرفته در فیلتر اشتراکی است. در این مقاله به ارایه مدلی بهینه شده از سیستم توصیه گر فیلم مبتنی بر روش تجزیه مقادیر منفرد پرداخته شده که ضمن کاهش ابعاد ماتریس و کاهش حجم محاسبات و حافظه، با روش تکرار جاگذاری، دارای دقت مناسب نسبت به روش تجزیه ماتریس به مقادیر منفرد ساده و سایر روش های دیگر است. برای این پژوهش از مجموعه دیتاست های 100 هزار امتیازی مووی لنز و از برنامه نویسی پایتون استفاده شده است. ارزیابی میزان خطا با روش های جذر میانگین مربعات خطا و میانگین قدر مطلق خطا، نشان از بهبود مناسب نسبت به روش های مشابه در مراجع دیگر دارد.

امروزه اینترنت نقش بااهمیتی در زندگی انسان ها دارد و محتوای وب باید متناسب با نیازهای کاربران باشد تا اطلاعات به روز و مناسب با سلیقه کاربر را فراهم نماید. در این راستا، سیستم های توصیه گر به کاربران کمک کرده و اقلامی که به سیلقه کاربران نزدیک تر است، را به آن ها در کم ترین زمان ممکن توصیه می کند . امروزه، با افزایش داده، استفاده از سیستم های توصیه گر رو به افزایش است. از طرفی دیگر این سیستم ها با چالش هایی از جمله تغییر سلیقه کاربران در طی زمان، شروع سرد، خلوت بودن ماتریس کاربر-قلم، حملات افراد جعلی در سیستم و تاثیر منفی آن ها در لیست توصیه سیستم روبرو هستند. هدف این مقاله ارائه یک سیستم توصیه گر زمان و اعتماد مبنا جهت بهبود کارایی و افزایش دقت توصیه های سیستم است. سیستم پیشنهادی در ابتدا با افزودن برخی امتیاز های ضمنی قابل اعتماد به ماتریس امتیاز دهی کاربر- قلم، مشکل پراکندگی داده را حل نموده و سپس یک شبکه وزن دار کاربر-کاربر براساس زمان ارائه نظر کاربر نسبت به قلم و روابط اعتماد میان کاربران تولید می نماید که بدین ترتیب مشکل شروع سرد و تغییر سلیقه کاربر در طی زمان را رفع می کند. سیستم توصیه گر پیشنهادی بر اساس الگوریتم تشخیص جامعه جدیدی که در این مقاله ارائه شده است، نزدیک ترین کاربران همسایه و هم سلیقه با کاربر فعال را پیدا نموده و بر اساس روش پالایش همکارانه، کا-بالاترین قلم را به کاربر پیشنهاد می دهد. نتایج ارزیابی سیستم پیشنهادی برای سیستم توصیه گر مبتنی بر فیلم بر روی مجموعه داده Epinions نشان می دهد سیستم پیشنهادی نسبت به سیستم های پایه از کارایی بالاتری برخوردار است.

این مطالعه به بررسی تأثیر سیستم های توصیه گر بر بهبود فرآیندهای تصمیم گیری کارآفرینانه می پردازد، با تمرکز بر دقت، قابلیت استفاده و تأثیرات بلندمدت آن بر پایداری و رشد کسب وکار. با استفاده از طراحی تحقیق کیفی، داده ها از طریق مصاحبه های نیمه ساختاریافته با ۱۹ کارآفرین از بخش های مختلف جمع آوری شدند. تجزیه و تحلیل داده ها با استفاده از تحلیل محتوا انجام شد تا مضامین و زیرمضامین اصلی مرتبط با استفاده و تأثیر سیستم های توصیه گر در محیط های کارآفرینانه شناسایی شوند. سه مضمون اصلی شامل اثربخشی سیستم های توصیه گر، تأثیرات بلندمدت، و چالش ها و محدودیت ها شناسایی شدند. در زمینه اثربخشی سیستم های توصیه گر، دقت توصیه ها، سهولت استفاده و تأثیر بر تصمیم گیری مورد بررسی قرار گرفت. تأثیرات بلندمدت شامل پایداری کسب وکار، رشد و نوآوری کسب وکار، در حالی که چالش ها و محدودیت ها بر مسائل فنی و تکنولوژیکی، مقاومت سازمانی، و نگرانی های حریم خصوصی و اخلاقی تمرکز داشت. یافته ها نقش قابل توجه سیستم های توصیه گر در تسهیل تصمیم گیری های آگاهانه و کارآمد در میان کارآفرینان را مورد تأکید قرار داده، پتانسیل این سیستم ها برای کمک به رشد و نوآوری کسب وکار را نشان می دهد، ضمن اینکه به چالش ها و محدودیت هایی که نیاز به رسیدگی دارند، اشاره می کند.