سیستم های توصیه کننده

هدف: یکی از موضوعاتی که تأثیر بسزایی در نحوه سرمایه گذاری افراد دارد، خصوصیات رفتاری سرمایه گذاران است. با توجه به اهمیت این موضوع، سرمایه گذاران باید بتوانند افراد سرمایه گذار را به طبقات مختلف دسته بندی نمایند و برای هر طبقه، سرمایه گذاری متناسب با تیپ شخصیتی همان طبقه را به آن ها توصیه کنند. یکی از راهکارهایی که برای این منظور می توان استفاده نمود، خوشه بندی است. خوشه بندی یکی از روش های یادگیری بدون نظارت بوده و ماهیتی توصیفی دارد. در این روش داده ها بر اساس یک معیار مشابهت به گونه ای تخصیص می یابند که داده های موجود در هر خوشه دارای بیشترین شباهت با یکدیگر و کمترین شباهت با داده های موجود در خوشه های دیگر باشند. روش شناسی پژوهش: در این پژوهش با استفاده از خوشه بندی k-means و روش انتشار وابستگی، مجموعه ای از سرمایه گذاران با توانایی و تمایل مشابه برای پذیرش ریسک را شناسایی می کنیم. همچنین نشان می دهیم که چگونه می توان با استفاده از تکنیک های خوشه بندی به تخصیص مؤثر دارایی ها با استفاده از خصوصیات سرمایه گذاران پرداخت. یافته ه ا: از ضریب silhouette برای ارزیابی دو روش خوشه بندی استفاده نموده تا بهترین روش را برای خوشه بندی داده ها انتخاب نماییم. ضریب k-means برابر با 0.17 و انتشار وابستگی برابر  با 0.097 شد؛ بنابراین ما روش k-means را به عنوان روش خوشه بندی مطلوب انتخاب می نماییم. با استفاده از روش خوشه بندی K-means به خوشه بندی سرمایه گذاران براساس ویژگی های مالی، رفتاری و جمعیت شناختی پرداخته و با توجه به نتایج خوشه بندی، افراد را به هفت دسته با پذیرش ریسک کم تا زیاد تقسیم بندی می نماییم. اصالت/ارزش افزوده علمی: کلیه محاسبات این پژوهش توسط پایتون 3.8 انجام شده است. نتایج این پژوهش می تواند توسط مدیران سرمایه گذاری و مشاوران توصیه گر سهام مورداستفاده قرار بگیرد.

هدف: توسعه و پیشرفت علم و فن آوری، روزانه موجب ایجاد حجم زیادی از داده های ساخت یافته، نیمه ساختاریافته و بدون ساختار با سرعتی بسیار سریع از منابع مختلف گردیده که منجر به اشتراک گذاشتن الگوهای مشترک بسیاری شده به نحوی که می توان با استفاده از سیستم های توصیه کننده که بر اساس نیازهای کاربران طراحی شده با فیلتر و تجزیه وتحلیل این داده هایشان، توصیه هایی مربوط به محصول، کالا یا خدمات مورد علاقه آن ها ارائه داد. یکی از مسائل مهم در سیستم های توصیه کننده ارائه توصیه های شخصی سازی شده متناسب با روحیات کاربران است. روش شناسی پژوهش: در این پژوهش با رویکرد نگاشت دانش با استفاده از کتابخانه bibliometrix در نرم افزار R به مرور کلیه پژوهش های انجام شده در خصوص کاربرد سیستم های توصیه کننده در شخصی سازی پرداخته می شود. یافته ها : در این پژوهش با استفاده از روش نگاشت دانش ضمن تعریف سیستم های توصیه کننده و انواع آن، به معرفی نمای کلی از حیطه شخصی سازی پرداخته و انواع مختلف شخصی سازی ارائه می شود. همچنین در مورد روند شخصی سازی بحث نموده و در خصوص سیستم های توصیه کننده به عنوان بخش جدایی ناپذیر از این فرایند نیز توضیحاتی مطرح شده است. در ادامه چالش هایی که برای پیاده سازی سیستم های توصیه کننده وجود دارد ارائه شده است و نهایتاً حوزه هایی که بحث شخصی سازی سیستم های توصیه کننده می تواند در آن مطرح شود، ارائه می شود. اصالت/ارزش افزوده علمی: نتایج این پژوهش با مروری جامع بر کلیه پژوهش های این حوزه می تواند به عنوان جعبه ابزاری در جهت کاربرد سیستم های توصیه کننده در شخصی سازی محققان را در ایده پردازی و انتخاب روش مناسب در طبقه بندی و تحلیل داده ها یاری دهد.

اهداف: شناخت مشتریان و ارائه پیشنهادهای سرمایه گذاری شخصی به آنها جنبه ای ضروری از یک استراتژی مشورتی سودمند و مؤثر است. بسیاری از خانوارها برای راهنمایی سرمایه گذاری به مشاوران مالی اعتماد می کنند. تجزیه و تحلیل داده های هوشمند یکی از زمینه های هوش مصنوعی است که مسئله یادگیری سیستم های اتوماتیک را بدون برنامه صریح حل می کند. شرکت های مالی دریافته اند که باید خودشان را به سرعت با محیط سازگار و با استفاده از سیستم های خودکار در هزینه و دقت توصیه های مالی به سرمایه گذاران صرفه جویی کنند. در سال های اخیر نوعی مشاوره مبتنی بر فناوری به عنوان روش جایگزین با نام مشاوره روبو معرفی شده است. مشاوره روبو توصیه گری مالی است که از طریق الگوریتم های یادگیری ماشینی برای تجزیه و تحلیل خودکار سطح ریسک محصول مالی و ارائه سبد سرمایه گذاری پیشنهادی کمک می کند. ربات های هوشمند، پلتفرم های دیجیتالی هستند که خدمات برنامه ریزی مالی و سرمایه گذاری را مبتنی بر الگوریتم و به طور خودکار ارائه می دهند.روش: در این پژوهش با استفاده از روش نگاشت دانش به مرور سیستماتیک پژوهش های انجام شده درخصوص ربات های هوشمند توجه شده است. سپس مرتبط ترین پژوهش ها در این زمینه شناسایی و طبقه بندی آنها براساس مقالات، نویسندگان، مجلات، مؤسسات و کشورها انجام شده است.نتایج: در انتها چارچوبی به منظور طراحی ربات های هوشمند در ایران پیشنهاد شده است. این پژوهش دیدی کلی به پژوهشگران درخصوص روند پژوهش های انجام شده و اهمیت موضوع می دهد. روش نگاشت دانش با ارائه اطلاعات کمی و دقیق، نویسندگان را در بهبود کیفیت مقاله ها، تحلیل تأثیر آنها و انتخاب بهترین راهکار در نگارش مقالات علمی یاری می کند.