سامانه توصیه گر

انتخاب جاذبه های گردشگری و تعیین بهترین مسیر برای بازدید از آنها، گام اصلی در برنامه ریزی گردشگری به شمار می آید. در مقالة حاضر یک سامانه توصیه گر گردشگری شخصی تحت وب طراحی و پیاده سازی گردید که برنامه ریزی گردشگری را برای هر فرد مطابق با علایق و اولویت های او در محدوده زمانی مشخص انجام می دهد. مزیت اصلی این سامانه توجه همزمان آن به علایق کاربر، مسیر و مدیریت زمانی در برنامه ریزی گردشگری است. در ساخت این سامانه از تلفیق روش های مبتنی بر سامانه حامی تصمیم گیری مکانی و توابع تحلیل مکانی و همچنین از فناوری های مختلف برای تحت وب قراردادن آن استفاده گردید. در این پژوهش ابتدا مکان های گردشگری مطابق با علایق گردشگر با استفاده از یکی از روش های تصمیم گیری چندصفته به نام Topsis رتبه بندی شد، سپس با استفاده از روش k-means مکان های گردشگری منتخب به تعداد روزهای بازدید دسته بندی گردید و برای هر روز از بازدید برنامه ریزی روزانه با استفاده از مسئله فروشنده دوره گرد (TSP) انجام شد. به منظور ارزیابی، این سامانه برای مکان های گردشگری منطقه 1 شهر تهران پیاده سازی گردید. نتایج اجرا نشان می دهد که این سامانه با انتخاب جاذبه های گردشگری مطابق با علایق کاربر و محدوده های زمانی موجود و تعیین بهترین مسیر برای بازدید از مکان ها و همچنین با در اختیار قرار دادن اطلاعات مختلف دربارة مکان های گردشگری، کمک شایانی به گردشگران می کند.

داده کاوی به مفهوم آشکارسازی الگوهای موجود در حجم انبوه داده هاست که در بسیاری از رشته ها به کار گرفته شده است. در رشته علم اطلاعات و دانش شناسی به ویژه در بازیابی اطلاعات نیز می توان از آن بهره برد. در بازیابی اطلاعات ابتدا پارادایم نظام گرا و سپس پاردایم کاربرگرا مطرح شده است که در پارادایم دوم به نیاز اطلاعاتی توجه شده است. در پارادایم دوم، ورود پرسش های نامناسب از سوی کاربران، دلیل اصلی عدم بازیابی مدارک مرتبط تلقی می شود. ازاین رو، یکی از مباحث اصلی این پارادایم، پیشنهاد و بسط پرسش مناسب در نظام بازیابی اطلاعات است که می توان از روش های داده کاوی برای آن استفاده نمود. چهار روش مهم برای پیشنهاد پرسش جهت تقویت نظام توصیه گر وجود دارد. قاعده سری زمانی یکی از این روش هاست که به فراونی پرسش در واحد زمانی خاص می پردازد. یکی دیگر از روش ها، قانون همایندی است که به وابستگی و تداعی پرسش ها توجه دارد. در روش قانون همایندی همراه با فاصله لون اشتاین، افزون بر توجه به وابستگی و تداعی پرسش ها به ترتیب واژه های پرسش نیز توجه می شود. به هر حال، در هر سه روش یاد شده، از فایل ثبت رخداد استفاده می شود؛ در حالی که در نظریه احتمالاتی از واژه های مدارک جهت ترمیم شکاف واژگانی بین پرسش و مدارک استفاده می شود. در نهایت به نظر می رسد، به کارگیری روش های یاد شده به ویژه روش احتمالی در پیشنهاد پرسش منجر به نتایج مناسب تری شود.

هدف : هدف پژوهش ارائه مدلی کاربردی از سامانه توصیه گر (پیشنهاددهنده) در حوزه خدمات شخصی سازی کتابخانه دیجیتال آستان قدس رضوی است، این سامانه، با تحلیل الگوهای رفتاری کاربران و ارائه پیشنهادهای دقیق و مورد نیاز، آنان را از مرور داده های غیر مرتبط بی نیاز می سازد. از مزایای این سامانه می توان شناسایی دقیق نیازهای اطلاعاتی، افزایش کیفیت جستجو، کمک به انتخاب صحیح منابع اطلاعاتی و پیش بینی نیازهای آتی کاربران را برشمرد. روش : پژوهش کاربردی است و با استفاده از کاوش قوانین انجمنی و الگوریتم FP-Growth انجام شده است. جامعه تعداد 960 نفر کاربر نرم افزار کتابخانه دیجیتال آستان قدس رضوی در فاصله دو سال بوده، که بر مبنای الگوی مجموعه داده های مکرر، 170 درخواست پرتکرار از میان کل دیتاست های موجود استخراج شد. نتایج از طریق پیاده سازی این داده های پرتکرار در نرم افزار رپید ماینر، به دست آمد. یافته ها : بهترین حالت دسترسی به مجموعه داده های تولید شده، با تنظیم درجه حداقل پشتیبانی 02/0 و حداقل اطمینان 095/0 است که منجر به کشف الگوریتم های شرطی (اگر – آنگاه) گردید. این یافته نشان می دهد: اگر کاربری در زمان جستجوی نرم افزار کتابخانه دیجیتال موضوعاتی همچون (علم اصول، اجتهاد، سنت و...) را انتخاب نماید، به دلیل سابقه جستجو های پر تکرار کاربران پیشین با همین موضوعات، از سوی سامانه توصیه گر، آنگاه عناوین مرتبطی با موضوع اصول فقه پیشنهاد خواهد شد. نتایج: طراحی مدل سامانه توصیه گر و اجرای آن، منجر به افزایش آگاهی و عدم سردرگمی کاربران و ارتقاء سطح کیفیت خدمات و رضایت آن ها و در نهایت حفظ کاربران فعلی و جذب کاربران جدید خواهد شد.

امروزه جستجو و انتخاب در حجم بالایی از اطلاعات مکانی و غیرمکانی، فرآیند تصمیم گیری را کاری زمانبر و هزینه برکرده است. در این شرایط سامانه های توصیه گر به کار می آیند تا مناسب ترین و بهترین گزینه در میان حجم عظیمی از داده های موجود درکمترین زمان ارائه دهند درحالیکه که بیشترین و بالاترین میزان شباهت با نیاز و علاقه کاربران داشته باشند. در حال حاضر مراکز واکسیناسیون کووید19 متعددی در سراسر شهر تهران وجود دارد که هر کدام با خدمات ارائه شده ی متنوع و منحصر به فرد خود در حال فعالیت هستند. هدف از این پژوهش طراحی و پیاده سازی یک سامانه توصیه گر جهت پیشنهاد بهترین مرکز واکسیناسیون کووید19 در منطقه 6 شهرداری تهران در سال 1400 می باشد. در سامانه توصیه گر پیشنهادی، ابتدا مراکز ارائه دهنده خدمات واکسیناسیون براساس ویژگی های مکانی با استفاده از الگوریتم خوشه بندی نگاشت خودسازمان ده به خوشه هایی با ویژگی های یکسان تقسیم بندی می شوند و در گام دوم با استفاده از منطق فازی نوع دوم، ترجیحات کاربران استنتاج و عدم قطعیت در آن مدل سازی می شود. در نهایت با استفاده از ترکیب خروجی های بدست آمده از دو مرحله طراحی شده، مرکز واکسیناسیون مناسب با نیاز کاربر جهت توصیه گری شخصی سازی شده استخراج می گردد. نتایج با استفاده از سه پارامتر ارزیابی دقت، فراخوانی و امتیاز F1 مورد بررسی قرار گرفت که به ترتیب مقادیر 0.70 و0.84 و 0.76 بدست آمد. این نتایج نشان داد استفاده از سیستم استنتاج فازی نوع دوم روش مناسبی برای مدلسازی یک سامانه توصیه گر شخصی سازی شده می باشد.

هدف: هدف این مطالعه، تحلیل و بررسی کاربرد فن داده کاوی در سامانه توصیه گر (پیشنهاددهنده) کتابخانه های دیجیتالی و مراکز اطلاعاتی بود. رویکرد داده کاوی در این سامانه، از طریق تحلیل الگوهای رفتاری کاربران کتابخانه های دیجیتال و ارائه پیشنهادهای دقیق، آنان را از مرور داده های غیر مرتبط در حین جستجو بی نیاز می سازد که منجر به افزایش درخواست های اطلاعاتی کاربران و جلب و جذب رضایتمندی آنان از ارائه خدمات کتابخانه های دیجیتالی می شود.روش: پژوهش حاضر یک مطالعه تحلیلی از نوع پیمایشی مقطعی و تحلیل محتوا بود. در این روش طی چهار مرحله، داده های موردنیاز، جمع آوری و خروجی آن با استفاده از فن داده کاوی مورد تجزیه وتحلیل قرار گرفت. در مرحله اول، با تحلیل محتوا، سیا هه ای از تعداد تراکنش درخواست های کاربران از کتاب، شامل شناسه کاربران، عناوین نسخ، شماره کد شناسایی نسخ در سامانه کتابخانه دیجیتال (پایگاه نسخ خطی)، سازمان کتابخانه ها، موزه ها و مرکز اسناد آستان قدس رضوی مورد بررسی قرار گرفت و داده ها به صورت ستون کاربر و سطر آیتم (کتاب) مرتب شد. مرحله دوم، داده های خام پیش پردازش شده به ماتریس کاربر-آیتم که همان صفر و یک است، تبدیل شد. مرحله سوم، خروجی داده ها با کمک فناوری داده کاوی و اجرای کاوش قوانین انجمنی و الگوریتم FP-Growth بر روی نرم افزار رپیدماینر پیاده سازی و اجرا شد. خروجی به دست آمده، در این نرم افزار با تغییر درجه پارامترهای پشتیبان (میزان پشتیبانی از تکرار شدن منابع درخواستی) و اطمینان (میزان اعتماد به نتیجه موردنظر) مورد آزمون قرار گرفت. مرحله چهارم، صحت و درستی طرح پیشنهادی سامانه ارائه شد.یافته ها: برونداد این پژوهش نشان داد که قواعد انجمنی با درجه اطمینان بالای 50% بوده و قادر به تعیین الگوهای دسترسی کاربر است که بهترین حالت دسترسی به مجموعه داده های تولیدشده با تنظیم درجه حداقل پشتیبانی 2% و حداقل اطمینان 95% است که منجر به ایجاد 1081 قوانین جدید با الگوریتم های شرطی (اگر – آنگاه) شد. چنانکه اگر کاربری در زمان جستجوی در نرم افزار کتابخانه دیجیتال موضوعاتی همچون (علم اصول، اجتهاد، سنت و...) را انتخاب نماید، به دلیل سابقه جستجوهای پرتکرار کاربران پیشین با همین موضوعات، از سوی سامانه توصیه گر، آنگاه عناوین مرتبطی با موضوع اصول فقه پیشنهاد خواهد شد. همین طور، اثبات درستی الگوی پیشنهادی نشان داد که مقدم و مؤخرهای ایجادشده از قوانین جدید با یکدیگر مشابهت موضوعی داشته است.نتیجه گیری: این مطالعه نشان داد، فنون مختلف داده کاوی با کاربرد قوانین انجمنی و اجرای الگوریتم FP-Growth  دارای کارایی و دقت بالا بوده و در تجزیه و تحلیل داده های کتابخانه های دیجیتالی و مراکز اطلاع رسانی برای ایجاد سامانه های توصیه گر به منظور پیش بینی درخواست های کاربران و پیشنهاددهی مؤثر، مناسب است و از مفاهیم کاربردی آن، فراهم نمودن بستری برای بهبود کیفیت تعامل دوسویه میان کتابداران و کاربران در جهت ارائه خدمات بهینه و سودمند است و همچنین ایجاد فرصت مناسبی برای ارتقاء نگرش و دیدگاه مدیران در جهت تأمین منابع اطلاعاتی موافق با نیازهای واقعی کاربران خواهد بود.