سیستم های پیشنهاددهنده

سیستم های پیشنهاد دهنده بر اساس علایق و نیازمندی های مشتری، کالاها و خدمات متناسب را به او پیشنهاد می دهند. استفاده از این سیستم ها زمان جست وجوی مشتری را کاهش داده و کیفیت انتخاب وی را بالا می برد. از طرفی، استفاده از اطلاعات زمینه آگاه در سیستم پیشنهاددهنده، مانند زمان و مکان خرید و عادات رفتاری کاربر به ارتقاء کیفیت و افزایش رضایتمندی مشتری کمک می کند. مشتری های مختلف علایق و نیازهای متفاوتی دارند. به همین دلیل، فاکتورهای مؤثر بر خرید در آن ها متفاوت است. کشف نیازهای مشتری بدون پرسش مستقیم از او و به وسیله پردازش اطلاعات زمینه ای، به افزایش کیفیت سیستم پیشنهاددهنده منجر می شود. در این مقاله، یک سیستم پیشنهاددهنده زمینه آگاه برای انتخاب گوشی تلفن همراه در گوشی های مجهز به سیستم عامل اندروید طراحی و پیاده سازی شده است. این سیستم با استفاده از حسگرهای گوشی تلفن همراه کاربر اطلاعات زمینه ای او را استخراج می کند. سپس، با استفاده از اطلاعات زمینه ایِ به دست آمده شاخص های غیرمؤثر بر خرید گوشی جدید را حذف می کند. در نهایت، درخت سلسله مراتبی شاخص ها را ایجاد کرده و با استفاده از اطلاعات کاربر و ماتریس مقایسات زوجی به وزن دهی شاخص های مؤثر می پردازد. در نهایت، گوشی مناسب فرد به او پیشنهاد داده می شود. این سیستم با ترکیب روش غیرجبرانی حذفی و روش جبرانی فرایند تحلیل سلسله مراتبی به انتخاب و پیشنهاد گوشی مناسب فرد می پردازد. در نهایت، سیستم پیشنهاددهنده زمینه آگاه در اختیار مشتریان گوشی تلفن همراه قرار گرفته و دو فاکتور رضایت از نتایج پیشنهادات و رضایت از رابط کاربری مورد ارزیابی قرار گرفته است. همچنین، یک پیشنهاددهنده سنتی و غیرزمینه آگاه نیز در اختیار آن ها قرار می گیرد تا این دو فاکتور در دو سیستم با هم مقایسه شود. در نهایت، نشان داده می شود که استفاده از اطلاعات زمینه ای، کیفیت پیشنهادات و رضایت مشتری را افزایش داده است. همچنین، به دلیل کاهش تعداد فاکتورهای مؤثر بر خرید و در نتیجه، کاهش تعداد مقایسات زوجی، رضایت مشتری از رابط کاربری را نیز اندکی افزایش داده است.

امروزه صنعت گردشگری پزشکی نوع خاصی از گردشگری است و یکی از صنایع مهم جهان و از درآمدزاترین صنعت ها به شمار می رود. رشد فناوری های اطلاعاتی و ارتباطی، طی چند دهه گذشته در رشد این صنعت بی تأثیر نبوده و زمینه ساز رشد گردشگری در بستر الکترونیکی را فراهم کرده است. باتوجه به این جایگاه، ضروری است با طراحی الگوی سیستم پیشنهاددهنده برای بازاریابی الکترونیکی گردشگری به شکل یک موضوع مهم در کشور تبیین و راهکارها و سازوکارهای ارتقا و توانمندسازی این صنعت ازطریق رویکرد فناوری اطلاعات تقویت شود. این پژوهش با هدف طراحی الگوی سیستم پیشنهاددهنده برای بازاریابی الکترونیکی گردشگری در ایران انجام شده است. پژوهش ازلحاظ هدف، کاربردی و توسعه ای و جزو پژوهش های آمیخته است. جامعه آماری در بخش کیفی مدیران بیمارستان و خبرگان حوزه گردشگری پزشکی است که به روش گلوله برفی انتخاب شدند و با آنها مصاحبه انجام گرفت. نتایج بخش کیفی نشان می دهد الگوی گردشگری پزشکی دارای پنج بعد، شامل عوامل مرتبط با خدمات پزشکی، عوامل مرتبط با ویژگی های فردی، عوامل مرتبط با اطلاع رسانی اینترنتی، عوامل مرتبط با جاذبه های جنبی گردشگری و عوامل مرتبط با تسهیلات سفر است. در بخش کمّی پرسشنامه ای براساس الگوی بخش کیفی تهیه شد و در بین بیماران مراجعه کننده برای مداوا و استفاده از خدمات درمانی به شهرهای شیراز و تهران توزیع شد. برای بررسی روایی از روش روایی محتوا و تشخیصی و برای پایایی از آلفای کرونباخ و پایایی ترکیبی استفاده شد. نتایج بخش کمّی تأییدکننده مدل طراحی شده در بخش کیفی است. باتوجه به یافته های پژوهش پیشنهاد می شود الگوی به دست آمده از این پژوهش به وسیله سیستم پیشنهاددهنده پیاده سازی و بهره برداری شود که طبق مختصات و ویژگی های پژوهش استفاده از متدلوژی هیبرید مناسب ترین روش برای پیاده سازی الگوی پژوهش است.

یکی از پیامدهای مهم گسترش اینترنت در عصر حاضر، پیدایش وبگاه های تجارت الکترونیکی است؛ اما تنوع اقلام عرضه شده می تواند انتخاب محصولات مناسب را برای مشتریان به فرایند پیچیده ای تبدیل کند. شرکت ها برای رفع این مشکل استفاده از سیستم های پیشنهاددهنده را توصیه می کنند. به دلیل درصد زیاد خطا در پالایش و ارائه پیشنهادها، معمولاً در این گونه سیستم ها از چند روش پایه برای پیشنهاد اقلام مورد علاقه کاربر استفاده می شود. روش پالایش همکارانه، یکی از موفق ترین روش های به کاررفته در این سیستم هاست؛ اما استفاده از این روش با افزایش تعداد کاربران و محصولات، مجموعه را با مشکلاتی مانند ناتوانی در پاسخگویی به نیازهای کاربران جدید و تُنُکی داده مواجه می کند. به منظور رفع مشکل یادشده، در این پژوهش روش جدیدی معرفی شده است که با ادغام زمان نرخ دهی کاربران با معیار شباهت یابی پیرسون و همچنین ادغام تکنولوژی های معنایی و شبکه اجتماعی، راه حلی برای کاهش مشکل کاربران جدید و تنکی داده ها ارائه می کند. نتایج پیاده سازی الگوریتم ها نشان می دهد رویکرد ارائه شده عملکرد بهتر و صحت بیشتری دارد و پیش بینی های آن با سلیقه کاربران همخوانی بیشتری دارد.

در سال های اخیر تعداد کاربران شبکه های اجتماعی رشد زیادی داشته اند. چالش بزرگ مخاطب این شبکه ها، نحوه برقراری ارتباط با افراد حاضر در این شبکه ها می باشد. سیستم های پیشنهاددهنده دوست با ارائه پیشنهاداتی سعی در رفع این چالش دارند. در این پژوهش از داده های شبکه علمی و اجتماعی کوثرنت استفاده شده است. در این تحقیق با استفاده از 10 نوع رابطه بین کاربران و بدون در نظر گرفتن روابط دوستی،گراف شبکه ایجاد و سپس با استفاده از 3 الگوریتم لووین[1]، کی میانگین[2] و سلسله مراتبی[3]، خوشه بندی گراف جهت تشخیص جوامع انجام گردید. خوشه های به دست آمده از الگوریتم خوشه بندی لووین دارای درصد مطابقت بالاتری با روابط دوستی بودند. سپس با استفاده از الگوریتم ژنتیک[4] برای هر یک از 10 رابطه وزن های مختلفی در نظر گرفته شد و با اجرای الگوریتم خوشه بندی لووین بر روی گراف شبکه، بیشترین درصد مطابقت به همراه وزن بهینه هر یک از 10 رابطه به دست آمد. در این حالت خوشه های حاصل، خوشه هایی بهینه حاوی کاربران با بیشترین شباهت هستند. بنابراین می توان سایر کاربرانی که در یک خوشه قرار گرفته اند به عنوان دوست به یکدیگر پیشنهاد داد. برای اولویت بندی پیشنهادات نیز از وزن یال های بین افراد در گراف استفاده شد. در پایان روش پیشنهاد دوست ارزیابی و درصد مطابقت دوستان پیشنهادی با دوستان واقعی فرد محاسبه گردید.

استخراج کلیدواژه یکی از مهمترین قدم های فرآیند نمایه سازی مستندات است. کلیدواژه ها توصیفگرهای مفهومی هستند که می توانند در جستجو و بازیابی اطلاعات و نیز اشاعه آنها بکارگرفته شوند. در پایگاه های دربردارنده اسناد علمی مانند پایگاه علمی گنج پژوهشگاه علوم و فناوری اطلاعات ایران، کلیدواژه ها نقش مهمتری دارند و تخصیص کلیدواژه های تخصصی چالش برانگیزتر است چرا که این پایگاه ها دربرگیرنده اسناد تخصصی با حوزه های علمی مختلفی هستند. فرآیند نمایه-سازی دستی بسیار زمان بر است و با توجه به افزایش حجم تولید و ثبت مستندات علمی، نیاز است که این فرایند با سرعت بیشتری صورت گیرد. لذا استفاده از روش های ماشینی هوشمند برای پیشنهاد و تخصیص کلیدواژه ضروری است. تحلیل آماری و معنایی اسناد و استفاده از روش های یادگیری ماشین از جمله روش های پرکاربرد در بسیاری از پایگاه های اطلاعات علمی دنیا است. بر همین اساس، در این پژوهش روشی برای پیشنهاد کلیدواژه به مستندات علمی فارسی بر مبنای روش های هوشمند پردازش متن و یادگیری ماشین ارائه شده است. این روش بر مبنای سیستم های پیشنهاددهنده و استدلال نمونه محور است که براساس آن، مجموعه ای از کلیدواژه های مرتبط با یک سند به نمایه ساز پیشنهاد می شود تا او سریعتر بتواند کلیدواژه های مناسب را انتخاب کند. به بیانی دیگر، ابتدا اسناد مشابه با سند جدید براساس روش های TFIDFو روش های بازنمایی کلمه-به-بردار، بازیابی شده و سپس کلیدواژه های کاندید از بین اسناد مشابه براساس یک تابع رتبه بندی انتخاب می شوند. روش پیشنهادی بر مجموعه ای از اسناد پایگاه گنج در سه حوزه فنی و مهندسی، هنر و ادبیات، و علوم انسانی، پیاده سازی و نتایج آن با معیارهایی نظیر دقت، فراخوانی و نظرات متخصصین ارزیابی شده است.