آیا کرم چاله ها می توانند مشکل اساسی سیاه چاله ها را حل کنند؟
August 12, 2016
سیاه چاله چیست؟
August 26, 2016
سیستم توصیه گر یا پیشنهاد گر (واژه سیستم گاهی با واژه های مترادفی مثل؛ “پلتفرم” یا “موتور” جایگزین می شود) زیر مجموعه ای از سامانه ی پالایش اطلاعات است که بدنبال پیش بینی “امتیاز” یا “اولویتی” است، که کاربر به یک آیتم (داده، اطلاعات، کالا و …) خواهد داد.
در سال های اخیر سیستم های توصیه گر بسیار متداول شده و در حوزه های مختلفی مورد استفاده قرار گرفته اند. برخی از کاربرد های معروف آن در موارد زیر است:
فیلم های سینمایی، موسیقی، اخبار، کتابها، مقالات تحقیقاتی، جست و جوی پرسش ها، تگ های اجتماعی و غالب محصولات.
علاوه بر این سیستم های توصیه گر برای؛ متخصصان، گروه های همکاران، طنز پردازیها، رستورانها، خدمات مالی، بیمه عمر، مسائل عاطفی (قرار و مدارهای آنلاین) و صفحات تویتر نیز ارائه شده است.
بررسی اجمالی
معمولاً سیستم های توصیه گر، لیستی از پیشنهادات را به یکی از دو صورت زیر ارائه می دهند:
از طریق پالایش گروهی و محتوا محور (Collaborative and Content-based filtering) یا رهیافت شخصیت محور (Personality-based approach)
رهیافت های پالایش گروهی، مدلی ایجاد می کنند که این مدل بر اساس رفتار گذشته کاربر (آیتم هایی که قبلاً خریداری یا انتخاب کرده و یا امتیازاتی که به آیتم ها داده است) و نیز تصمیمات مشابهی که توسط کاربران دیگر گرفته شده است، میباشد. سپس با استفاده از مدل ایجاد شده، آیتم هایی که ممکن است مورد علاقه ی کاربر باشد، معرفی می گردد. رهیافت های پالایش محتوا محور، از یک سری مشخصات مجزای یک آیتم برای پیشنهاد آیتم های دیگر با ویژگی های مشابه، استفاده می کند. این رهیافت ها اغلب با یکدیگر ترکیب می شوند (سیستم های توصیه گر هیبرید).
رهیافت شخصیت محور، تمایلات کاربر به کالا و خدمات را از شخصیت وی نتیجه می گیرد.
تفاوت های بین پالایش گروهی و پالایش محتوا محور را می توان با مقایسه ی دو سیستم توصیه گر موسیقی نشان داد؛ Last.fm و Pandora Radio.
Last.fm با بررسی نوازندگان و تراکهایی که کاربر قبلاً گوش کرده است و مقایسه ی آنها با آنچه که دیگر کاربران به آن گوش کرده اند، مجموعه ای از آهنگ های پیشنهادی را ارائه می دهد.
Last.fm تراکهایی را خواهد نواخت، که در کتابخانه ی کاربر (مجموعه ی اهنگ های کاربر) موجود نیستند ولی دیگر کاربران با علایق مشابه به آنها گوش داده اند. از آنجا که این رهیافت، رفتار کاربران را تحت تأثیر قرار می دهد، نمونه ای از تکنیک پالایش گروهی است.
Pandora از خصوصیات یک آهنگ یا هنرمند ( زیر مجموعه ای مشتمل بر 400 ویژگی که توسط “پروژه ژنوم موسیقی” تهیه شده است) برای ایجاد ایستگاهی از موسیقی ها با ویژگی های مشابه استفاده می کند.
واکنش کاربر جهت پالایش نتایج ایستگاه استفاده می گردد، زمانیکه کاربر یک آهنگ را نمی پسندد ویژگی های آن از تاکید Pandora خارج و زمانیکه کاربر آهنگی را می پسندد، ویژگی های آن آهنگ مورد تأکید قرار می گیرند. Pandora نمونه ای از رهیافت محتوا محور است.
هر نوع سیستمی نقاط ضعف و قوت خودش را دارد. در مثال بالا Last.fm جهت ارائه پیشنهادات دقیق، نیازمند حجم بالایی از اطلاعات در مورد کاربر است. نکته ضعف ذکر شده نمونه ای از “مشکل استارت سرد” ( همانند مشکلی که هنگام استارت زدن به موتور سرد پیش می آید) است و در سیستم های پالایش گروهی امری عادیست. در حالیکه Pandora به اطلاعات بسیار کمی برای آغاز کار خود نیاز دارد، ولی میدان عمل آن بسیار محدود است (بعنوان مثال؛ تنها قادر به ارائه پیشنهاداتیست که شبیه آهنگ اصلی باشند).
سیستم های توصیه گر جایگزین سودمندی برای الگوریتم های جست و جو هستند چرا که به کاربران کمک می کنند تا آیتم هایی را بیابند که ممکن بود خودشان نتوانند آنها را پیدا کنند. سیستم های توصیه گر با استفاده از موتورهای جست و جو، به طور جالبی داده های جدید را فهرست می کنند.
مونتانر نخستین نمایه کلی از سیستم های توصیه گر را از منظر یک عامل هوشمند ارائه داد. آدوماویسیوس (Adomavicius) نمایی جدید از سیستم های توصیه گر را ارائه کرد. هرلاکر (Herlocker) تکنیک های ارزیابی سیستم های توصیه گر را مورد بررسی قرار داد و بیل و همکارانش مشکلات ارزیابی های آفلاین را مورد بحث و بررسی قرار دادند. بیل و همکاران، پیشینه ای از تحقیقات در مورد سیستم های کنترل و چالش های موجود را ارائه دادند.
سیستم های توصیه گر موضوع تحقیقاتی فعال در زمینه های “کاوش اطلاعات” و “یادگیری ماشینی” هستند. RecSys، SIGIR و KDD از جمله کنفرانس هایی هستند که تحقیقات در زمینه سیستم های توصیه گر را مورد توجه قرار دادند.
رهیافت ها
رهیافتی که در طراحی سیستم های توصیه گر استفاده وسیعی دارد، رهیافت پالایش گروهیست. روش های پالایش گروهی، بر جمع آوری و آنالیز حجم بالایی از اطلاعات در مورد رفتارها، فعالیت ها و تمایلات کاربران و نیز پیش بینی پسند کاربران، بر اساس شباهت خواسته های آنها با دیگران، مبتنی هستند. مهم ترین مزیت پالایش گروهی اینست که وابسته به محتوای قابل تحلیل برای ماشین نیست و از این رو به درستی می تواند آیتم های پیچیده ای همچون فیلم های سینمایی را بدون نیاز به درک خود آیتم، توصیه کند. الگوریتم های زیادی در اندازه گیری تشابه کاربر یا تشابه آیتم در سیستم های توصیه گر مورد استفاده قرار می گیرند. برای مثال؛ “رهیافت نزدیک ترین همسایه k ” (k-nearest neighbor (k-NN)) و ضریب همبستگی پیرسون که نخستین بار توسط آلن اجرا شد.
پالایش گروهی بر اساس این اندیشه استوار است: افرادی که در گذشته موافق بوده اند، در آینده نیز موافق خواهند بود و انواع اقلامی را خواهند پسندید که در گذشته نیز مورد دلخواهشان بوده است.
موقعیکه یک مدل بر اساس رفتار کاربر ایجاد می گردد، تمایزی بین فرم های صریح و ضمنی جمع آوری داده ها پیش می آید.
نمونه هایی از جمع آوری داده ها به صورت “صریح” شامل موارد زیر است:
از کاربر خواسته شود تا آیتم را در معیاری متغیر ارزیابی کند.
از کاربر خواسته شود تا جست و جو کند.
از کاربر خواسته شود تا مجموعه ای از آیتم ها را بر اساس علاقه اش رتبه بندی کند.
دو آیتم به کاربر نشان داده شده و از وی خواسته شود یکی از آنها را انتخاب کند.
از کاربر خواسته شود تا لیستی از آیتم هایی را که دوست دارد، ایجاد کند.
نمونه ای از جمع آوری داده ها به صورت “ضمنی” شامل موارد زیر می باشد:
مشاهده آیتم هایی که کاربر در فروشگاه آنلاین به آنها می نگرد.
تحلیل آیتم هایی که کاربر ملاحظه کرده است.
حفظ سابقه ی خرید های آنلاین کاربر.
فراهم کردن لیستی از آیتم هایی که کاربر در رایانه خود به آنها گوش داده یا تماشا کرده است.
تحلیل شبکه اجتماعی کاربر و یافتن موارد مشابهی که وی آنها را پسندیده و یا نپسندیده است.
سیستم توصیه گر اطلاعات جمع آوری شده را با اطلاعات جمع آوری شده مشابه و غیر مشابه از جانب دیگران، مورد مقایسه قرار داده و لیستی از آیتم های پیشنهادی برای کاربر را محاسبه می کند (در مقاله سیستم های پالایش گروهی ویکی پدیا، چندین مورد از مثالهای تجاری و غیر تجاری فهرست شده است).
یکی از معروف ترین مثالهای پالایش گروهی، پالایش “آیتم به آیتم” است (افرادی که کالای x را می خرند کالای y را نیز می خرند) الگوریتمی که توسط سیستم توصیه گر Amazon.com عمومیت یافت.
نمونه های دیگر شامل:
- همانطور که توضیح داده شد، fm آهنگ هایی را که پیشنهاد می دهد بر اساس مقایسه ای از عادت های شنیداری کاربران مشابه است.
- Facebook، My Space، Linked in و دیگر شبکه های اجتماعی از پالایش گروهی برای پیشنهاد دوستان جدید، گروهها و دیگر روابط اجتماعی استفاده می کنند (با بررسی شبکه ارتباطات بین کاربر و دوستانش). تویتر از تعداد زیادی سیگنال و محاسبات حافظه ای استفاده می کند تا به کاربرانش پیشنهاد دهد که چه کسی را فالو کنند.
رهیافت های پالایش گروهی از سه مشکل رنج می برند: استارت سرد (cold start)، مقیاس پذیری (Scalability) و پراکندگی (Sparsity).
استارت سرد: این سیستم ها برای ارائه پیشنهادات دقیق و صحیح، اغلب به حجم بالایی از اطلاعات کاربر نیاز دارند.
مقیاس پذیری: در بسیاری از فضاهایی که این سیستم ها پیشنهادات را ارائه می دهند، میلیون ها کاربر و محصول حضور دارند. از این رو برای محاسبه پیشنهادات، به قدرت محاسباتی بالایی نیاز است.
پراکندگی: تعداد آیتم هایی که در سایت های اصلی تجارت الکترونیک فروخته شده اند، بسیار بسیار زیاد است. فعالترین کاربران نیز تنها زیر مجموعه ی کوچکی از تمامی پایگاه های داده را ارزیابی خواهند کرد. به این خاطر است، که حتی محبوبترین آیتم ها نیز امتیازات پایینی دارند.
نوع ویژه ای از الگوریتم پالایش گروهی از فاکتور ماتریس استفاده می کند، یک “تکنیک تقریب رتبه پایین ماتریس” (low-rank matrix approximation technique).
روش های پالایش گروهی به دو دسته مبتنی بر حافظه و پالایش گروهی مبتنی بر مدل تقسیم می شوند.
نمونه ی شناخته شده ی رهیافت های مبتنی بر حافظه، “الگوریتم کاربر محور” (user-based algorithm) و نمونه ای از رهیافت های مبتنی بر مدل، “توصیه گر کرنل – نقشه” (Kernel-Mapping) است.
پالایش محتوا محور
دیگر رهیافت متداولی که در طراحی سیستم های توصیه گر استفاده می شود، پالایش محتوا محور است. روش های پالایش محتوا محور بر اساس توصیفی از آیتم و پروفایلی از سلیقه ی کاربر، استوار هستند. در یک سیستم توصیه گر محتوا محور، از کلمات کلیدی برای توصیف آیتم ها استفاده شده و برای نشان دادن نوع آیتمی که کاربر دوست دارد، پروفایل وی ساخته می شود. به عبارت دیگر، این الگوریتم ها در تلاش هستند تا آیتم هایی را پیشنهاد دهند که شبیه به اقلامی باشد که کاربر پیش از این آنها را پسندیده بود ( یا اقلامی که در حال حاضر بررسی کرده است). آیتم های کاندید با آیتم هایی که قبلاً توسط کاربر ارزیابی شده بودند، مورد مقایسه قرار گرفته و آیتم هایی که بهترین انطباق ها را با معیارهای کاربر داشته باشند، پیشنهاد می گردند. این رهیافت در بازیابی اطلاعات و بررسی پالایش اطلاعات ریشه دوانیده است. برای خلاصه کردن مشخصات آیتم ها در سیستم، یک الگوریتم نمایش آیتم به کار برده می شود. الگوریتمی که استفاده ی گسترده ای دارد، نمایش فراوانی تی اف-آی دی اف (tf-idf representation) است (مدل “فضا برداری” نیز گفته می شود).
برای ایجاد پروفایل کاربر، سیستم بایستی بیشترین تمرکز خود را بر دو نوع از اطلاعات معطوف کند: 1. الگویی از سلیقه ی کاربر 2. تاریخچه ای از عکس العمل کاربر با سیستم توصیه گر.
اساساً این روش ها با استفاده از پروفایل آیتم (بعبارتی مجموعه ویژگی ها و مشخصات)، ویژگی های آن را در سیستم ترسیم می کنند. سیستم، یک پروفایل محتوا محور بر اساس بردار وزنی ویژگی های آیتم برای کاربر ایجاد می کند. وزن ها، اهمیت هر ویژگی برای کاربر را نشان می دهند، و می توان از طریق مؤلفه های رتبه بندی شده و بهره گیری از تکنیک های گوناگون، آنها را مورد محاسبه قرار داد. رهیافت های ساده، از میانگین ارزش های مؤلفه های رتبه بندی شده استفاده می کنند، در حالیکه دیگر رهیافت ها از روش های پیچیده ی یادگیری ماشینی همچون؛ دسته بندی بندی کننده های نایو بیز (Bayesian Classifiers)، دسته بندی بندی کننده های نایو بیز (Bayesian Classifiers)، درخت های تصمیم (Decision trees) و شبکه های عصبی مصنوعی (Artificial neural networks) برای تخمین احتمال آنکه کاربر چه آیتمی را پسند خواهند کرد، بهره می برند.
بازخورد مستقیم از جانب کاربر (معمولا در غالب “Like” یا “Dislike”) می تواند برای اختصاص وزن بالا یا پایین بر اهمیت خصوصیات معین، مورد استفاده قرار گیرد (با استفاده از طبقه بندی راکچیو یا دیگر تکنیک های مشابه).
مسئله کلیدی در رابطه با پالایش محتوا محور اینست که آیا سیستم قادر است از طریق اقداماتی که کاربر در رابطه با یک محتوا نشان می دهد و بهره گیری از آنها در تقابل با انواع محتوا ها، پی به تمایلات کاربر ببرد. زمانیکه سیستم محدود به توصیه ی محتواهایی است که مشابه با آنچه که کاربر قبلاً استفاده کرده است باشد، در این حالت ارزش سیستم توصیه گر در مقایسه با زمانیکه سیستم از سرویس های دیگر نیز برای توصیه محتوا استفاده می کند، کم تر است. برای مثال، توصیه ی مقالات خبری بر اساس مرور اخبار سودمند است، ولی زمانیکه آهنگ، ویدئو، محصولات، مباحث و … از سرویس های مختلف و البته بر اساس مرور اخبار توصیه گردد، به مراتب پربارتر و سودمندتر خواهد بود.
همانطور که قبلاً نیز توضیح داده شد، Pandora Radio یک مثال معروف از سیستم توصیه گر محتوا محور است که آهنگ های پیشنهادی آن مشابه با ویژگی های آهنگی است که بعنوان بذر اولیه توسط خود کاربر ایجاد شده است. تعداد بسیار زیادی از سیستم های توصیه گر محتوا محور وجود دارد که پیشنهاد دهنده فیلم هستند که چند تا از آنها عبارتند از: Rotten Tomatoes، Internet Movie Database، Jinni، Rovi Corporation، Jaman and See This Next (http://www.seethisnext.com/). سیستم های توصیه گر مرتبط با سند و مدرک، هدفشان توصیه ی مدارک برای آگاهی دادن به کارگران است، مثل؛ Noggle(https://www.noggle.online/knowledge-base/document-recommendation) و Google Springboard.
سیستم های توصیه گر هیبرید
بررسی اخیر حاکی از آنست که رهیافت هیبرید (ترکیبی از پالایش گروهی و پالایش محتوا محور) در برخی موارد می تواند بسیار مؤثر واقع گردد. رهیافت های هیبرید از چندین راه قابل اجرا هستند، با ایجاد جداگانه پیش بینی های محتوا محور و گروه محور و نهایتاً ترکیب آنها با هم، افزودن قابلیت های رهیافت محتوا محور به گروه محور (یا بالعکس)، یا یکی کردن رهیافت ها در یک مدل . چندین مطالعه ی تجربی، اجرای سیستم هیبرید را با نوع خالص سیستم های گروه محور و محتوا محور مورد مقایسه قرار داده است، و نشان داده شده که روش های هیبرید پیشنهادات دقیق تری را ارائه می دهند. همچنین، این روش ها می توانند برای غلبه بر مسائل روتین سیستم های توصیه گر مثل استارت سرد و پراکندگی مورد استفاده قرار گیرند.
نت فلیکس مثال خوبی از استفاده ی سیستم های توصیه گر هیبرید است. آنها با مقایسه ی عادات دیداری و جست و جویی کاربران مشابه (یعنی پالایش گروهی) و نیز پیشنهاد فیلم هایی که دارای ویژگی های مشترک با مواردی هستند که کاربر به انها امتیاز بالایی داده است، پیشنهادات را ارائه می دهند.
انواعی از تکنیک ها به عنوان پایه و اساس سیستم های توصیه گر، مطرح گردیده است: گروهی، محتوا محور، دانش محور و تکنیک های جمعیت شناختی. هر یک از این تکنیک ها کمبودهای شناخته شده ای دارند، مثل مشکل معروف استارت سرد برای سیستم های پالایش گروهی و محتوا محور (با کابران جدید که به اقلام کمی امتیاز داده اند، چه کند!؟) و تنگنای مهندسی دانش در رهیافت دانش محور. سیستم توصیه گر هیبرید، سیستمی است که چند رهیافت را با هم ترکیب می کند تا به همیاری بین آنها دست یابد.
- گروهی: سیستم، تنها با استفاده از اطلاعاتی که از طریق پیشینه ی امتیاز دهی کاربران بدست آمده است، پیشنهادات را ارائه می دهد. سیستم های گروهی، کاربران همتا با تاریخچه ی مشابه امتیازدهی با کاربر آنلاین را در مجاور هم قرار داده و با استفاده از این همسایگی اقدام به ارائه پیشنهادات می کند.
- محتوا محور: سیستم، پیشنهادات را از دو منبع ارائه می دهد: مشخصات مرتبط با محصول و امتیازاتی که کاربر به آنها داده است. توصیه گرهای محتوا محور، با یک پیشنهاد همچون طبقه بندی یک مسئله ی خاص کاربر رفتار می کنند، و در می یابند که طبقه بندی کننده ی پسندها و ناپسندهای کاربر، بر پایه ی ویژگی های محصول است.
- جمعیت شناختی (Demographic): یک سیستم توصیه گر جمعیت شناختی، پیشنهادات را بر اساس مشخصات جمعیت شناختی کاربر (مشخصاتی همچون؛ سن، جنسیت و ملیت کاربر) ارائه می دهد. محصولات پیشنهادی می توانند برای دیگر مجموعه های جمعیتی، با ترکیب امتیازاتی که کاربران درآن مجموعه ها به محصولات داده اند استفاده گردند.
- دانش محور: سیستم دانش محور، مواردی را پیشنهاد می کند که از نیازها و تمایلات کاربر استنتاج کرده باشد. این دانش، گهگاه حاوی فهمی عملکردی و واضح از برآوردن نیازهای کاربر توسط ویژگی های معینی از محصول، خواهد بود.
در اینجا، واژه ی “سیستم توصیه گر هیبرید” برای توصیف هر سامانه ی پیشنهاد دهنده ای که جهت ارائه پیشنهاد چند تکنیک توصیه را با هم ترکیب کرده است، بکار می رود. دلیلی برای چرایی اینکه چند تکنیک متفاوت از یک نوع، نتوانند با یکدیگر هیبرید شوند، وجود ندارد. برای مثال دو سیستم توصیه گر محتوا محور متفاوت، می توانند باهم کار کنند که تعدادی از طرح ها این نوع از هیبرید را مورد بررسی قرار داده اند:
NewsDude، که از هر دو طبقه بندی کننده ی ساده Bayes و kNN در توصیه ی اخبارهای خود استفاده می کند، تنها یک مثال از این دست سیستم های هیبرید است.
7 تکنیک هیبریداسیون
- وزنی (Weighted): امتیازاتی که توسط اجزای توصیه گر متفاوت داده می شود، بصورت عددی با یکدیگر ترکیب می شوند.
- راه گزینی (Switching): سیستم از بین اجزای توصیه گر انتخاب کرده، و جزء انتخابی را به کار می گیرد.
- مخلوط (Mixed): پیشنهادات توصیه گر های متفاوت، با هم ارائه می گردند.
- ترکیب خصوصیات (Feature Combination): ویژگی های بدست آمده از منابع شناختی متفاوت، با یکدیگر ترکیب شده و یک الگوریتم پیشنهادی مجرد را ارائه می دهد.
- تقویت خصوصیات(Feature Augmentation): یک فن توصیه، برای محاسبه ی یک ویژگی یا مجموعه ای از خصوصیات به کار برده می شود، که بخشی از ورودی تکنیک بعدیست.
- آبشار(Cascade): به توصیه گرها اولویت اکید داده می شود؛ انهایی که از اولویت پایین تر برخوردارند برای به ثمر رساندن آنهایی که اولویت بالایی دارند، نادیده گرفته شوند.
- Meta-level: یک تکنیک توصیه بکار برده شده و تعدادی مدل ایجاد می کند که پس از آن بعنوان ورودی تکنیک بعدی مورد استفاده قرار می گیرد.
سیستم های توصیه گر شخصیت محور:
رهیافتی جدید که از بوتنر (Buettner) نشأت گرفت. او “توصیه گر محصول شخصیت محور” (Personality-based product recommender(PBPR)) را مطرح کرد، چارچوبی که داده های شبکه اجتماعی را تحلیل می کند تا شخصیت کاربر را پیش بینی کرده و از شخصیت کاربر پی به تمایلات او برد.
فراتر از دقت
معمولاً پژوهش در باب سیستم های توصیه گر، از بابت یافتن دقیق ترین الگوریتم های پیشنهاد، نگران است.
- تنوع (Diversity): زمانیکه لیستی بلند بالا و متنوع از پیشنهادات ارائه گردد، موجب رضایت بیشتر کاربر میشود، برای مثال آیتم هایی از هنرمندان مختلف.
- اصرار توصیه گر (Recommender persistence): در برخی موارد، دوباره نشان دادن توصیه ها یا اینکه رتبه بندی دوباره ی آیتم ها توسط کاربر، بسیار مؤثر تر از نشان دادن آیتم های جدید است. مثلاً، ممکن است کاربران در دفعه اول وقت کافی برای بررسی دقیق پیشنهادات نداشته اند.
- حریم خصوصی(Privacy): معمولاً سیستم های توصیه گیر در رابطه با مسئله حریم خصوصی نگران هستند، چرا که کاربران مجبور به فاش کردن اطلاعات حساس هستند. ایجاد پروفایل کاربران با استفاده از پالایش گروهی می تواند از نقطه نظر حریم خصوصی، مشکل آفرین باشد. بسیاری از کشورهای اروپایی رسومی بسیار غنی از حریم خصوصی دارند، و هر تلاشی که منجر به معرفی سطحی از مشخصات کاربر شود، با عکس العمل منفی مشتری روبرو می شود. با پیشنهاد نت فلیکس برای رقابت جایزه نت فلیکس (Netflix Prize) مسائلی در رابطه با حریم خصوصی در حیطه ی مجموعه اطلاعات بوجود آمد. گرچه برای حفظ حریم خصوصی مشتری، مجوعه داده ها ناشناس بودند، در سال 2007 دو محقق از دانشگاه تگزاس با انطباق مجموعه ی داده هایی که از امتیاز دهی فیلم ها و از Internet Movie Database بدست آمده بود، توانستند کاربران را شناسایی کنند. در سال 2009 کاربر ناشناس نت فلیکس، نت فلیکس را در Doe v. Netflix شکایت کرد و مدعی شد که نت فلیکس قوانین تجارت عادلانه ی ایالات متحده و قانون حفاظت از حریم خصوصی ویدئو (Video Privacy Protection Act) را با پخش مجموعه ی داده ها، نقض کرده است. این ادعا در بخشی منجر به حذف دومین رقابت جایزه نت فلیکس سال 2010 گردید. در این مدت تحقیقات زیادی در زمینه حریم خصوصی انجام گرفته است. راماکریشنان و همکاران، در مورد موازنه ی شخصی سازی و حریم خصوصی تحقیق گسترده ای را انجام داده و دریافتند که از ترکیب روابط ضعیف (یک ارتباط غیر منتظره که بصورت اتفاقی پیشنهادات خوب و جالبی را ارائه می دهد) و دیگر منابع اطلاعاتی می توان برای کشف هویت کاربران در یک مجموعه داده ی ناشناس استفاده کرد.
- جمعیت شناختی کاربر (User demographics): بیل وهمکاران، دریافتند که اطلاعات جمعیت شناختی کاربران می تواند بر میزان رضایت مندی آنها از پیشنهادات ارائه شده، تأثیر گذار باشد. آنها در مقاله خود نشان دادند که کاربران مسن تر بیشتر از کاربران جوان، علاقه مند به توصیه های ارائه شده هستند.
- نیرومندی (Robustness): زمانیکه کاربران بتوانند در سیستم توصیه گر مشارکت کنند، مسئله کلاهبرداری بایستی مورد توجه قرار گیرد.
- سرندی پیتی (یافتن تصادفی)(Serendipity): سرندی پیتی مقیاسی است که نشان می دهد، پیشنهادات چقدر شگفت انگیز و تعجب آور هستند. برای مثال، سیستم توصیه گری که در یک بقالی خرید شیر را به مشتری پیشنهاد می دهد، گرچه ممکن است پیشنهاد دقیقی باشد ولی پیشنهاد خوبی نیست، چرا که “خرید شیر” برای مشتری امری واضح و روشن است و نیازی به پیشنهاد ندارد.
- اعتماد (Trust): سیستم توصیه گری که کاربر به آن اعتماد نداشته باشد، از ارزش بسیار پایینی برخوردار است. اعتماد توسط سیستم توصیه گر و با توصیف چگونگی ایجاد پیشنهادات و علت پیشنهاد یک آیتم، ایجاد میگردد.
- برچسب گذاری (Labelling): بر چسب گذاری پیشنهادات ممکن است رضایت مندی کاربر را تحت تأثیر قرار دهد. برای مثال در مطالعه ای نرخ کلیک(click-through rate(CTR)) برای پیشنهاداتی که برچسب ” ضمانت” داشتند (CTR=5.93%) کمتر از حالتی بود که همان پیشنهادات برچسب “ارگانیک” داشتند (CTR=8.86%). نکته قابل توجه اینجاست؛ پیشنهاداتی که هیچ برچسبی نداشتند از نرخ کلیک بالاتری برخوردار بودند (CTR=9.87%).
سیستم های توصیه گر سیار
تحقیق در حوزه ی سیستم های توصیه گر سیار، یکی از حیطه های تحقیقاتی در حال رشد در زمینه ی سیستم های توصیه گر است. با افزایش دسترسی اسمارت فون ها به اینترنت و همه گیر شدن آن، ارائه پیشنهادات شخصی سازی شده و حساس به محیط ممکن شده است. از آنجاییکه اطلاعات سیار بسیار پیچیده تر از داده هایی است که سیستم های توصیه گر با آن درگیر بوده اند، تحقیقات در این حیطه به مراتب دشوارتر است (مسائلی که این حیطه با آن روبروست: ناهمسانی، پر سر و صدایی، نیاز به همبستگی خودکار مکانی و زمانی ، و نیز مشکلات تأیید و عمومیت دارد). علاوه بر این سیستم های توصیه گر سیار از مشکلات جابجایی نیز متضرر هستند، چرا که ممکن است پیشنهادات ارائه شده در تمامی مناطق بکار نیاید (برای مثال، پیشنهاد یک دستور غذایی که همه ی اجزایش را نمی توان در آن منطقه فراهم کرد، پیشنهادی نابخردانه است).
سیستمی که پیشنهاد کننده مسیرهای ایده آل برای رانندگان شهریست، یک نمونه از سیستم های توصیه گر سیار است. این سیستم داده های خود را از طریق ردیابی GPS راههایی که تاکسی پیموده است، بدست می آورد که این داده ها عبارتند از؛ مکان یابی (طول و عرض جغرافیایی)، نشان دادن زمان و وضعیت اجرایی (با مسافر یا بدون مسافر). سیستم از این داده ها برای بهینه سازی زمان صرف شده برای هر مسافر (یعنی با پیشنهاد ایده آل ترین راه، مدت زمانی که مسافر در تاکسی است به کمترین میزان خود برسد) و عاید کردن سود بیشتر برای راننده تاکسی، بهره می گیرد. این نوع سیستم، وابسته به مکان است، و از آنجاییکه در دستگاههای دستی یا جاساز شده استفاده می شود نیاز محاسباتی و انرژی آن بایستی در سطح پایینی نگه داشته شود.
نمونه ای دیگر از سیستم های توصیه گر سیار، سیستمی است که برای کاربران متخصص توسعه داده شده است (بونفوف و همکاران، 2012). این سیستم با ردیابی GPS کاربر و برنامه ی کاری او، بهترین اطلاعات و پیشنهادات را بسته به موقعیت و علایق وی، ارائه می دهد. این سیستم، از فنون یادگیری ماشینی و پردازش استدلالها برای ایجاد یک سازگاری پویا بین سیستم توصیه گر سیار با سیر تحولی علایق کاربر ، بهره می برد. بانی این الگوریتم نام آن را hybrid-ε-greedyگذاشته است.
سیستم های توصیه گر سیار همچنین”Web of Data” را به عنوان منبعی برای اطلاعات ساختاری، ایجاد کرده اند. یک مثال خوب از این سیستم ها ” “SMARTMUSEUM است. این سیستم حتی زمانیکه اطلاعات کمی از کاربر ارائه شده باشد با استفاده از مدل سازی معنایی، بازیابی اطلاعات و فنون یادگیری ماشینی اقدام به توصیه ی محتوای مطابق با علایق کاربر می کند.
سیستم های توصیه گر آگاه از ریسک
تمرکز عمده رهیافت های موجود بکار گرفته شده در سیستم های توصیه گر ارائه ی مرتبط ترین محتوا برای کاربران است و ریسک برآشفتن کاربر در شرایط خاص را به حساب نمی آورند. با این وجود در بسیاری از اپلیکیشن ها (مانند پیشنهاد محتوای شخصی سازی شده) ریسک پریشان کردن کاربر نیز مهم تلقی شده و از تحمیل پیشنهادات در شرایط خاصی همچون یک جلسه ی تخصصی، صبح زود یا دیر وقت ممانعت می شود. از این رو عملکرد سیستم توصیه گر در بخشی به درجه ای از ریسکی که در فرایند پیشنهاد دهی لحاظ می کند، بستگی دارد.
تعریف ریسک
در سیستم های توصیه گر واژه ی “ریسک” به احتمال ایجاد مزاحمت یا پریشان کردن کاربر که منجر به عکس العمل نامناسب وی شود، اطلاق می گردد.
در پاسخ به این چالش ها، جمعی از محققان یک سیستم توصیه گر پویا و حساس به ریسک DRARS(Dyanamic Risk-Aware Recommender system) را ابداع کردند که توصیه ی زمینه ی آگاه (context – aware) را همچون یک “مسئله ی راهزن” (bandit problem) مدلسازی کرده است. این سیستم یک تکنیک محتوا محور را به یک الگوریتم “راهزن متنی” (Contextual bandit) ترکیب کرده است. این محققان نشان دادند که DRARS با محاسبه ی بهینه ترین ارزش اکتشافی برای حفظ توازن بین اکتشاف و بهره برداری مبتنی بر سطح ریسک موقعیت کاربر، موجب بهبود خط مشی “اعتماد به نفس حد بالا” (Upper Confidence Bound(UCB)) می شود. این محققان آزمایشات خود را در یک زمینه صنعتی و با داده ها و کاربران واقعی اجرا کرده و نشان دادند که اهمیت دادن به سطح ریسک موقعیت کاربران، قدرت اجرای سیستم های توصیه گر را افزایش می دهد.
جایزه نت فلیکس
یکی از وقایعی که به تحقیقات سیستم های توصیه گر انرژی مضاعفی بخشید، جایزه نت فلیکس بود. از سال 2006 تا سال 2009 میلادی نت فلیکس اسپانسر رقابتی بود که در آن جایزه ی 1000000 دلاری به گروهی تعلق می گرفت که بتواند مجموعه ی داده ای با بیش از 100 میلیون فیلم رتبه بندی شده ارائه دهد به نحوی که بازخورد پیشنهادات 10 درصد، دقیق تر از نرم افزار موجود نت فلیکس باشد (در ارائه پیشنهادات، 10 درصد دقیق تر از نت فلیکس عمل کند). این رقابت به امر تحقیق جهت یافتن الگوریتم های جدید و دقیق تر، انرژی مضاعفی بخشید. در 21 سپتامبر 2009 جایزه یک میلیون دلاری با رعایت قانون”tiebreaking” (قانونی که در صورت مساوی شدن رقبا، طرف برنده را تعیین می کند) به تیم Bellkor’s pragmatic Chaos اهدا گردید.
در سال 2007 ترکیبی از 107 رهیافت الگوریتمی متفاوت، منجر به ایجاد دقیق ترین الگوریتم پیش بینی گردید:
زمانیکه چندین سیستم پیشگویی با یکدیگر ترکیب شوند، دقت پیشگویی به طور قابل ملاحظه ای افزایش می یابد. تجربه ی ما اینست که بیشتر تلاشها بایستی بر حصول رهیافت های مختلف معتبر متمرکز می شد نه پالایش یک تکنیک مجرد. در نتیجه راه حل ما نیز حاصل جمع آثار مجموعه ای از روش هاست.
مزایای بسیاری بخاطر پروژه نت فلیکس عاید وب شد. تعدادی از تیم فن آوریشان را گرفته و در دیگر بازارها بکار گرفتند. اعضای تیمی که به مقام دوم رسیدند یک موتور توصیه گر به نام Gravity R&Dایجاد کردند که در جامعه RecSys فعال است. 4-Tell، Inc راه حلی را که از پروژه نت فلیکس بدست آورده بودند در وبسایت های تجارت الکترونیک بکار بردند.
مسابقه ی دوم نیز طراحی شد اما نهایتاً در عکس العمل به طرح دعوایی در دادگاه و ابراز نگرانی از “کمیسیون تجارت فدرال” (Federal Trade Commission) لغو گردید.
سنجش عملکرد
در تشخیص تأثیر الگوریتم های توصیه، ارزیابی امری بسیار مهم است. متریک های معمول استفاده شده در ارزیابی الگوریتم ها، میانگین مربعات خطا و ریشه ی میانگین مربعات خطا می باشد که مورد آخر در جایزه ی نت فلیکس مورد استفاده قرار گرفت. متریک های بازیابی اطلاعات مثل معیار دقت و بازیابی یا DCG جهت ارزیابی کیفیت یک روش پیشنهادی، سودمند و کارا هستند. اخیراً تنوع، نوآوری و پوشش نیز به عنوان جنبه های مهم ارزیابی در نظر گرفته می شوند. هر چند که بسیاری از اندازه گیری های ارزیابی کلاسیک، شدیداً مورد انتقاد قرار گرفته اند. اغلب، نتایج ارزیابی های به اصطلاح آفلاین، با تشخیص واقعی رضایت کاربر هم خوانی ندارد. نویسندگان بیان کردند”ما بایستی در نتایج ارزیابی های افلاین (یا همان اندازه گیری های کلاسیک) تردید می کردیم”.
سیستم های توصیه گر چند معیاره
سیستم های توصیه گر چند معیاره (MCRS) به عنوان سامانه هایی توصیف می شوند که سلایق را در چند معیار با هم متحد می سازند. به جای توسعه ی فنون پیشنهادی مبتنی بر ارزش های تک معیاره، تمامی سلایق کاربر در نظر گرفته می شود. این سیستم ها تلاش می کنند تا رتبه بندی آیتم های ناشناخته توسط کاربر را، پیش بینی کنند. این امر با بهره گیری از اطلاعات سلیقه ای و براساس معیارهای چند گانه که تمامی ارزش های سلیقه ای را تحت تأثیر قرار می دهد، ممکن شده است. چندین محقق MCRS را به عنوان یک مسئله ی تصمیم گیر چند معیاره (MCDM) در نظر گرفته و فنون و روش های MCDM را برای اجرای سیستم های MCRS بکار گرفته اند.
194 Comments
سلام
با تشکر از مقاله خوبتان در صورت امکان مقاله را به بنده ایمیل فرمایید.
خیلی ممنون
a.ferzane@yahoo.com
با سلام و ممنون بابت نظرتون در خصوص این مطلب
مقاله به ایمیلتون ارسال شد.
با سلام و تشکر از سایت خوبتون لطفا اصل مقاله را برای من هم ارسال کنید
سلام لطفا اصل مقاله را برای بنده هم ایمیل کنید تشکر
تشکر مقاله سیستم های توصیه گر را بیزحمت برام ارسال فرمایید
با سلام و احترام
مقاله سیستم های توصیه گر ارسال شد خدمتتون.
با سلام تشکر از مطب خوبتون لطفا مقاله رو برام ایمیل کنید
fatemeh.javan922gmail.com
با عرض سلام و احترام
ارسال شد
سلام وقت بخیر
سیستم توصیه گر مقاله کاملا خوبی بود
ممنون میشم اگر مقاله رو برای من هم ارسال کنید
تشکر
با عرض سلام و با تشکر از نظر شما
مقاله ارسال شد
سلام لطفا مقاله را ایمیل کنید با تشکر
با سلام
مقاله ارسال شد.
سلام مقاله خوبی بود ممنون
لطفا برای بنده هم ارسال کنین
با عرض سلام و خسته نباشید
مقاله ارسال شد خدمتتون
سلام
لطفا مقاله را برای من نیز ارسال نمایید
با سلام
مقاله ارسال شد
سلام
خسته نباشید
خیلی ممنون از مقاله ی خوبتون
اگر امکانش هست مقاله رو برای من ایمیل کنین
با تشکر
با سلام
مقاله ارسال شد.
دوست عزیر در خصوص (کاربردهای الگوریتم ژنتیک و توسعه مطلبی دارید ممنون میشم اگه…
در اسرع وقت این مطلب در وب سایت قرار خواهد گرفت.
با عرض سلام و خسته نباشید؛
در این خصوص میتوانید به لینک زیر مراجعه نمایید:
الگوریتم ژنتیک چیست و چه کاربردی دارد؟
با سلام مقاله بسیار خوبی بود
در صورت امکان لطفا مقاله را برای من نیز ارسال فرمائید.
باسلام و ادب
لطفأ در صورت امکان مقاله سیستم توصیه گر را به آدرس زیر برای بنده ایمیل فرمایید. ممنون
Ssaeedbakhsh@yahoo.com
با عرض سلام و خسته نباشید
مقاله ارسال شد
سلام دوست عزیز خیلی ممنون از شما .
در صورت امکان لطف کنید ارسال نمایید مقاله را.
inter_kar@yahoo.com
سلام ممنون از شما بابت این مطالب عالی و بینظیر اگر لطف کنید مقاله رو برای من هم ارسال کنید ممنون میشم.
m.st.u.akbari@gmail.com
با عرض سلام و خسته نباشید ، ممنون بابت نظر لطفتون
مقاله ارسال شد.
سلام خسته نباشید. لطفا مقاله را به ایمیل من ارسال کنید. سپاس
با عرض سلام و وقت به خیر
مقاله ارسال شد
سلام اگر برای شما مقدور هست این مقاله رو برای بنده ارسال کنید ممنونم از شما و تلاشتان.
با عرض سلام و خسته نباشید
مقاله ارسال شد
سلام ببخشید من میخوام برای پروژه این موضوع رو انتخاب کنم! میتونید منبعی رو بغیر از این مقاله معرفی کنید که من روش تحقیق کنم؟
با عرض سلام و وقت به خیر
از جایی که مقالات علمی مدیاسافت تماما از منابع معتبر و به روز دنیا به فارسی ترجمه میشن ما هم با معرفی برخی از این منابع میتونیم شمارو در جهت رسیدن به هدفتون همراهی کنیم و در این خصوص به شمامقاله زیر رو معرفی میکنیم:
Introduction to Recommender Systems Handbook
این مقاله در وب سایت unibz قابل دانلود هستش.
با عرض سلام و سپاس از مقاله جذاب شما
در صورت امکان آن را برای من ایمیل بفرمایید
با تشکر
با عرض سلام و ادب
مقاله ارسال شد
با سلام و خسته نباشید با تشکر از مقاله خوبتان
بسیار ممنون میشوم اگر مقاله را برای من ارسال نموده و اگر امکانش باشد رفرنس ها را معرفی نمایید
سپاس
bicnica@yahoo.com
با عرض سلام و درود خدمت شما کاربر محترم مدیاسافت
مقاله ارسال شد
باسلام و سپاس از مقاله مفیدی که تهیه نمودید، درصورت امکان فایل مقاله و مراجع استفاده شده را از طریق ایمیل برایم ارسال کنید.
hk.avrin@gmail.com
متشکرم
با عرض سلام و درود خدمت شما دوست عزیز
مقاله ارسال شد
با سلام و تشکر از مقاله خوبتون
لطفا مقاله را برای من ارسال نمایید.
با تشکر
با عرض سلام و تشکر از نظر لطفتون
مقاله ارسال شد
سلام لطفا مقاله را برای من ارسال کنید
با تشکر
با عرض سلام و وقت به خیر
مقاله ارسال شد
سلام.باتشکر از مقاله بسیارعالیتون .لطفا مقاله رو برای من هم ارسال کنید .ممنون
با سلام و تشکر بابت نظر لطف شما
مقاله ارسال شد
سلام مقاله خوبی بود لطفا مقاله را برایم ایمیل کنید..ممنون
با عرض سلام و وقت به خیر
مقاله ارسال شد
با سلام
مقاله مفید و خیلی خوبی هست . لطفا برای من هم ارسال می فرمایین. ممنون
Fatemeh_hoseinkhani@yahoo.com
با عرض سلام و خسته نباشید
مقاله ارسال شد
سلام و ادب
و تشکر از مطالب خوبتون
در صورت امکان این مقاله را ارسال فرمایید
habibzadeh.shiva@gmail.com
با سلام و تشکر از نظر لطفتون
مقاله ارسال شد
very interesting information about recommender systems , can please mail me the complete article… thanks
Thank you for your comment
The article was sent to your email
سلام و عرض ادب
و تشکر از مقاله خوبتون
میشه لطفا مقاله رو برای منم ارسال بفرمایید
با عرض درود و سلام خدمت شما
ممنون بابت نظر لطفتون
مقاله ارسال شد
با سلام عالی بود . ممنون میشم ارسال فرمایید.
mohammadh783@gmail.com
با سلام و عرض ادب و تشکر در خصوص نظر شما
مقاله ارسال شد
با سلام
مطلب بسیار خوبی بود. اگه امکانش هس مقاله رو برای من هم بفرستید.
میخواستم بدونم مطلبی در مورد کاربرد این سیستم ها در برنامه های تلویزیونی اگه دارین هم منتشر کنین.
با تشکر
با سلام و عرض ادب خدمت شما
به امید خدا در آینده ای نزدیک در صورت موجود بودن، ترجمه و در سایت قرار خواهد گرفت
باسلام و وقت بخیر. ممنون میشم اگر مقاله رو برای بنده ارسال کنید.
تشکر
با عرض سلام و وقت به خیر
مقاله ارسال شد.
با سلام خدمت شما
مقاله خوبی هست من موضوع پایان نامه خودم رو سیستم های توصیه گر انتخاب کردم اگه امکانش هست مقاله رو برام بفرستین ممنون میشم!
akbar.ustmb@gmail.com
با عرض سلام و تشکر بابت نظر لطفتون
مقاله ارسال شد
سلام . مقاله بسیار مختصر و مفید و جامعی بود.
اگه امکانش هست منبع این مقاله رو معرفی کنید.
ممنون میشم اگه خود مقاله هم ارسال کنید به ایمیل
تشکر
با عرض سلام و خسته نباشید و تشکر بابت نظر شما
مقاله ارسال شد.
سلام
ممنون از مقاله ی خوب شما. لطفا در صورت امکان مقاله را برایم ارسال فرمایید. بنده درباره سیستم های توصیه گر در کتابخانه های عمومی باید یک مقاله مروری تهیه کنم. در صورت تمایل لطفا راهنمایی بفرمایید. سپاس
با عرض سلام و تشکر بابت نظرتون
مقاله ارسال شد
سلام..
اگه امکانش هست مقاله رو برام بفرستید
سلام مقاله ی جالبی بود در صورت امکان لطفا برای ایمیلم ارسالش کنید ممنون
با عرض سلام و احترام
مقاله ارسال شد
با سلام
مقاله جالب و کاملی بود. موضوع پایان نامه من در مورد سیستم های توصیه گر هست. ممنون میشم اگر مقاله رو برای من هم ایمیل بفرمائید.
با عرض سلام و ادب و تشکر از نظر لطف شما
مقاله ارسال شد.
باسلام
در صورت امکان برای بنده هم ارسال بفرمایید
باتشکر
با عرض سلام و احترام
مقاله ارسال شد
سلام و عرض ادب
مقاله‌ی بسیار مفید و جالبی بود، اگه ممکنه مقاله رو برام ایمیل کنید.
در ضمن ممنون میشم اگر احیانا نسخه ای انگلیسی راجبه سیستم های توصیه گر هم در دسترس دارید ارسال یا معرفی کنید.
سپاس فراوان
با عرض سلام و درود خدمت شما دوست عزیز
مقاله خدمت شما ارسال شد.
منابع انگلیسی نیز به زودی خدمت شما ایمیل میشه.
سلام. خیلی خیلی مطلب مفیدی بود. خیلی ممنون میشم اگر مقاله رو برای بنده ایمیل کنید.
سپاس فراوان
با درود و سلام خدمت شما
مقاله ایمیل شد
آقای ملازاده متاسفانه ایمیلی دریافت نکردم. سپاسگزار خواهم بود اگر مجددا ارسال کنید
متاسفانه به دست بنده هم نرسیده. ضمن عذرخواهی لطفا مجددا ارسال شود
با عرض سلام و درود خدمت شما
همونطور که خدمت دیگر کاربران محترم مدیاسافت عرض کردم قابلیت دانلود مقالات به صورت PDF به زودی در وب سایت قرار دااده خواهد شد.
با عرض سلام و درود خدمت شما کاربر محترم مدیاسافت
به اطلاع دوستانی که موفق به دریافت مقاله نشدند میرسونم که به زودی قابلیت دانلود مقالات علمی مدیاسافت به صورت PDF در وب سایت قرار داده خواهد شد.
سلام و درود
لطف کنید برای بنده نیز ارسال کنید.
با سلام و عرض ادب خدمت کاربران وب سایت مدیاسافت
به زودی قابلیت دانلود مقاله به صورت PDF در وب سایت قرار داده خواهد شد.
با سلام موضوع پایان نامه من سیستم های توصیه گر هست ممنون میشم اگر مقاله را برای من هم بفرستین
با عرض سلام و احترام
مقاله ارسال شد
سلام
عالی بود
میشه مقاله رو واسه منم بفرستید
مرسی
سلام سپاس از مقاله خوبتون ….لطفا برای من ایمیل کنید .
سلام و عرض ادب
بسیار عالی و ممنون بابت اطلاعاتی که در اختیار دیگران قرار میدید
لطفا مقاله رو برای من هم ارسال کنید
با عرض سلام و درود خدمت شما و تشکر از نظر لطفتون
توجه بفرمایید که در آینده ای نزدیک قابلیت دانلود مقالات وب سایت به صورت PDF در وب سایت قرار داده خواهد شد.
با سلام و تشکر بابت مطالب سایتتون لطفا اصل مقاله را برای بنده هم ایمیل کنید
سلام لطفا برای من هم این مطلب رو ارسال کنید باتشکر
سلام لطفا برای من هم اصل مقاله را ارسال کنید با تشکر
با درود و سلام خدمت شما
به زودی قابلیت دانلود مقاله به صورت PDF در وب سایت قرار داده خواهد شد.
موفق باشید
سلام مقاله خیلی خوبی بود لطفا مقاله رو برام ایمیل کنید ممنون
با عرض سلام و عرض ادب
مقاله ارسال شد
سلام لطفا مقاله رو برای من ارسال کنید
سپاس
سلام مقاله خوبی بود لطفا مقاله را برای من هم ایمیل نمایید با تشکر
سلام
وقت به خیر
ممنون میشم برای من هم اصل مقاله را ایمیل کنید.
با سلام و خسته نباشید لطفا اصل مقاله را برای بنده ارسال فرمایید با تشکر
سلام مقاله ی خوبی بود ممنون
من برای پروژه استاد بهم تحقیق سیستم های توصیه گرپیشنهاد دادن باحجم 50صفحه این مقاله روبرام میفرستین
ممنون
با سلام چرا منابع مشخص نشده؟
اگر با منابع دراختیار دارید برای من نیز ارسال کنید. با تشکر
با عرض سلام و درود خدمت شما
این مقاله بیش از 20 منبع معتبر علمی داره که گنجاندن همه ی اون ها در این مطلب امکان پذیر نیست.
در این خصوص میتونیم منابع رو به ایمیل شما ارسال کنیم.
موفق باشید.
سلام
اگه ممکنه برای من هم اصل مقاله رو ارسال کنین (اگه انگلیسی باشه که چه بهتر)
با سلام و تشکر بسیار از زحمت شما.ممنون میشم مقاله رو برام ارسال بفرمائین.درضمن من دارم روی سیستم های توصیه گر مکان مبنا در شبکه های اجتماعی موقعیت محور کار میکنم ممنون میشم اگر به بنده کمک بفرمائید و یا اگر مطلب یا مقاله ای دارید که کمک میکنه برام ارسال کنید.بسیار سپاسگزارم.
با عرض سلام و درود خدمت شما
ممنون بابت نظر لطفتون
مدیاسافت در خصوص سیستم های مکان مبنا نیز مقاله جامع در اختیار دانشجویان و محققان عزیز گذاشته که شما نیز میتونید از لینک زیر به این مقاله مراجعه نمایید:
سیستم های مکان مبنا
با سلام و تشکر از مقاله مفیدتان. لطفا اصل مقاله را به بنده هم ارسال فرمایید.
سلام و احترام
بسیار مفید بود در صورت امکان مقاله و منابع علمی آن را برای من ایمیل بفرمایید
سپاسگزارم
با سلام و تشکر از زحمات بسیار شما ..ممنون میشم مقاله رو برای من هم ارسال کنید با تشکر ..
باسلام
تشکر فراوان مطلب مفیدی بود و کمک زیادی به بنده کرد.
بسیییییار سپاسگذار خواهم شد اگر اصل اینگیلیسی مقاله و مطالبی مرتبط با آن را برایم ارسال کنید.
با عرض سلام خدمت شما و ممنون بابت نظر لطفتون
مقاله ارسال شد.
سلام ، با تشکر از مقاله خوبتون .لطفا اصل مقاله رو برا ی من هم ایمیل کنید. واگر مطلب یا مقاله ای در مورد بحث آگاه اززمینه و اینکه زمینه شامل چه چیزهایی می شود داشته باشید برای بنده ارسال کنید.ممنون
با عرض سلام و روز به خیر
مطالب درخواستی شما در اسرع وقت تهیه و ترجمه و در وب سایت قرار داده خواهد شد.
سلام و خسته نباشید خدمت شما
اگر امکانش هست این مقاله را برای من ارسال کنید
با عرض سلام و احترام
مقاله ارسال شد.
با سلام ممنون از مقاله بسیار خوبتون
خواهشمندم در صورت امکان مقاله را به ادرس ایمیل بنده ارسال فرمایید.
با تشکر
با عرض سلام و درود
مقاله ارسال شد.
موفق باشید.
سلام،وقتتون بخیر
ممنون میشم اگه اصل مقاله رو برام ایمیل کنید
با عرض سلام و ادب
مقاله ارسال شد.
سلام میشه این مقاله رو برام ارسال کنید ممنون
با عرض سلام و ادب
مقاله ارسال شد
با عرض درود و سپاس
لطفا مقاله رو برای من ارسال کنید.
با عرض سلام و احترام
مقاله ارسال شد
با سلام و خسته نباشید
مقاله خیلی خوبیه البته با ترجمه عالی و قابل فهم، ممنون میشم اصل مقاله بهمراه این فایل رو برای بنده ارسال کنید.
با درود واحترام خدمت شما و ممنون بابت نظر لطف شما
مقاله ارسال شد
سلام مقاله شما عالیه اگر امکانش هست برای من هم ایمیل کنید ممنون
با درود و احترام خدمت شما
مقاله ارسال شد
سلام خسته نباشید خیلی مفید بود
ممنون میشم مقاله رو برای بنده هم ارسال کنید
با عرض سلام و احترام
مقاله ارسال شد.
سلام
مرسی از مقاله
لطفا برام ارسال کنید
با عرض سلام و احترام
مقاله ارسال شد
با سلام
بابت مطلب خوبتون سپاسگزارم
میشه لطف کنید مقاله رو برای من ارسال کنید
با عرض سلام و احترام فراوان
مقاله ارسال شد.
با سلام واحترام
مقاله بسیار جالبی بود لطفا مقاله را برای من نیز ارسال بفرمایید
با سپاس
با سلام و احترام و همچنین تشکر بابت نظر شما
مقاله ارسال شد
مرسی از توضیحات کاملتون
لطفا مقاله رو برای من ارسال نمایید.
با تشکر
با عرض سلام و احترام
مقاله سیستم های توصیه گر (Recommender system) خدمت شما ارسال شد
مقاله خوبی بود واقعا استفاده کردم .سپاس
با عرض سلام و احترام
ممنون از شما بابت نظر لطفتون
سلام ممنون از توصیحاتتون
لطفا مقاله رو برای من اییمل بفرمایین
ممنون
با سلام و احترام
مقاله سیستم های توصیه گر خدمت شما ارسال شد.
سلام ، ممنون از مقاله ی جذابتون ، اگه امکانش هست برای من ایمیل کنید این مقاله رو ، خیلی ممنون .
با سلام و احترام خدمت شما
مقاله ارسال شد
سلام ممنون به خاطر این مقاله ارزشمند.لطفا در صورت امکان برای من هم مقاله رو ارسال کنید.خیلی ممنونم
با سلام و عرض احترام
ممنون از نظر لطف شما
مقاله ارسال شد
سلام… دوستانی که درخواست این مقاله رو داشتن، مگر همین مقاله کامل نیست که فایل رو براشون ایمیل کردید؟
اگر چنین است برای من هم ارسال بفرمایید.
با سلام و احترام
بله
دقیقا همین مقاله هستش دوست عزیز
ممنون میشم اگر برای من هم ارسال کنید
با عرض سلام
مقاله ارسال شد
سلام مرسی از مقاله خوبتون لطف میکنید مقاله را برای من ایمیل کنید
با عرض سلام و احترام
از این تاریخ به بعد امکان کپی برداری از مقالات وب سایت برای کاربران عزیز فعال گردیده.
تمام سعی تیم تلاشگر مدیاسافت ارائه، ترجمه و نشر مقالات علمی کاملا رایگان برای ارتقا سطح دانش کشور و علاقمندان به حوزه علم و فناوری می باشد.
امیدوارم با درج نام وب سایت “مدیاسافت” به عنوان منبع اصلی ترجمه ی این مقالات در حفظ و رعایت حقوق ناشر و مترجم گام بردارید.
با تشکر از شما عزیزان
slm mc az maghale khobetoon lotfan baraye manam email konid
با عرض سلام و احترام و تشکر بابت نظر لطف شما؛
مقاله ارسال شد.
سلام ممنون بابت مقله خوبتون
لظفا برای من هم ایمیل کنید
با عرض سلام و احترام و تشکر بابت نظر لطف شما؛
مقاله ارسال شد.
با سلام و تشکر از توضیحات خوبتون. اگر ممکنه مقاله رو بمن ایمیل کنید.باتشکر
با سلام و عرض احترام
ممنون از نظر لطف شما
مقاله ارسال شد
با سلام و احترام
از توضیحات جامع شما در این زمینه سپاسگزارم.
ممنون میشم برای من هم ارسال بفرمایید.
با سلام و عرض احترام و ممنون از نظر لطف شما
مقاله ارسال شد
سلام، متشکرم از مقاله مفیدتون.
اگر امکانش هست لطفا برای من هم ارسال کنید
با عرض سلام و احترام
از این تاریخ به بعد امکان کپی برداری از مقالات وب سایت برای کاربران عزیز فعال گردیده.
تمام سعی تیم تلاشگر مدیاسافت ارائه، ترجمه و نشر مقالات علمی کاملا رایگان برای ارتقا سطح دانش کشور و علاقمندان به حوزه علم و فناوری می باشد.
امیدوارم با درج نام وب سایت “مدیاسافت” به عنوان منبع اصلی ترجمه ی این مقالات در حفظ و رعایت حقوق ناشر و مترجم گام بردارید.
با تشکر از شما عزیزان
سلام خیلی عالی بود بیزحمت مقاله رو واس بنده بفرستید ممنون.
با عرض سلام و احترام
از این تاریخ به بعد امکان کپی برداری از مقالات وب سایت برای کاربران عزیز فعال گردیده.
تمام سعی تیم تلاشگر مدیاسافت ارائه، ترجمه و نشر مقالات علمی کاملا رایگان برای ارتقا سطح دانش کشور و علاقمندان به حوزه علم و فناوری می باشد.
امیدوارم با ذکر نام وب سایت “مدیاسافت” به عنوان منبع اصلی ترجمه ی این مقالات در حفظ و رعایت حقوق ناشر و مترجم گام بردارید.
با تشکر از شما عزیزان
واقعا مقالتون خیلی عالیه
با سلام و درود خدمت شما
ممنون از نظر لطفتون
خیلی عالی و مفید بود.
ممنون میشم اگر برای من هم ارسال کنید مقاله رو آقای ملازاده
با سلام
خسته نباشید
ممنون میشم مقاله را برای من هم ایمیل کنید…
سلام
خیلی عالی بود
لطفا مقاله رو برای منم ایمیل کنید
سلام. اگر ممکنه مقاله رو برای بنده هم ارسال کنید.
با عرض سلام و احترام
امکان کپی برداری از مقالات در وب سایت مدیاسافت فراهم شده.
سلام
بسیار عالی
ممنون میشم اصل مقاله رو داشته باشم
سلام میشه لطفا منبع این مقاله رو بگید و همینطور اصل مقاله رو به ایمیلم ارسال کنید
متشکرم
با سلام.مقاله شما رو خوندم با تشکر فراوان.اگه میشه مقاله رو برایم ایمیل کنید.
سلام خیلی ممنون از مطالب مفیدتون. لطفا مقاله را برای من هم ارسال بفرمایید
Thanks for the Great Article , Can you please send me this article
سلام و درود
خسته نباشین مقاله ای عالی بود.
با احترام.
باسلام و ادب
لطفأ در صورت امکان مقاله سیستم توصیه گر را به آدرس زیر برای بنده ایمیل فرمایید. ممنون
Alizb74@yahoo.com
سلام وقتتون بخیر
موضوع پایان نامه من درباره سیستم های توصیه گر هست ، اکر امکانش هست برای من مقاله درباره سیستم های توصیه گر بفرستید.
باتشکر
سلام لطفا برای بنده نیز این مقاله را ارسال فرمایید
سپاس گزارم
سلام. مقالتون بسیار عالی بود. اگه مقاله کامل رو برام بفرستید ممنون می شم. در ضمن اگه به زبان انگلیسی هم داشته باشه، اون رو هم بفرستید، تشکر ویژه خواهم داشت.
با سلام
لطفا مقاله را ارسال کنید . سپاس گزار
عرض سلام و احترام
مقاله ارسال شد
سلام لطفا اگر امکانش هست مقاله رو واسم بفرستین.
davod.bakht@gmail.com
عرض سلام و احترام
مقاله ارسال شد
سلام و احترام
لطفا مقاله را برای بنده ارسال کنید.متشکرم
عرض سلام و احترام
مقاله ارسال شد
سلام
اگر امکانش هست لطفا مقاله اصلی رو برا من ارسال کنید
سپاسگذارم
عرض سلام و احترام
مقاله ارسال شد
سلام لطفا این مقاله رو بفرستید ممنون میشم
عرض سلام و احترام
مقاله ارسال شد
سلام
مقاله بسیار عالی بودد
موضوع پایان نامه من درباره سیستم های توصیه گر هست ممنون میشم اصل مقاله رو ارسال کنید.
باتشکر
عرض سلام و احترام
مقاله ارسال شد
سلام بسیار عالی و ممنون میشم مقاله رو ایمیل بفرمایید
عرض سلام و ا حترام
مقاله ارسال شد