سیستم های پیشنهاد دهنده

سیستم های پیشنهاد دهنده

Recommendation Systems

ترجمه فارسی ۵۴ صفحه word متن انگلیسی ۳۵ صفحه PDF

برنامه های اینترنتی بسیاری وجود دارند که مربوط به پیش بینی انتخاب های کاربران در گزینه های متفاوت می شوند. چنین تسهیلاتی “سیستم های پیشنهادی” نامیده می شوند. ما این بخش را با یک آمارگیری از مهم ترین نمونه های چنین سیستم هایی آغاز می کنیم. با این حال، برای تمرکز بر موضوع، دو مثال مناسب برای سیستم های پیشنهادی:
۱- ارائه مقالات خبری به کاربران بر خط (آنلاین)، بر اساس پیش بینی علاق خوانندگان.
۲- ارائه پیشنهاد به خریداران یک خرده فروش آنلاین درباره ی اقلامی که ممکن است مایل به خریدن باشند، بر اساس سوابق خرید و/یا جستجوی کالاها.
سیستم های پیشنهادی از تکنولوژی بسیاری استفاده می کنند. که می توانیم این تکنولوژی ها را به دو گروه گسترده طبقه بندی کنیم.
  • سیستم های مبتنی بر محتوا ویژگی های محصولات پیش بینی شده را مورد آزمون قرار می دهد. به عنوان مثال اگر یک کاربر شبکه Netflix فیلم های گاوچرانی بسیاری تماشا کند، فیلم پیشنهاد شده در ژانر گاوچرانی طبقه بندی شده است.
سیستم فیلتر سازی مشترکات کالاها را بر اساس شباهت بین کاربر و/یا محصول پیشنهاد می کند. اقلام پیشنهاد شده به یک کاربر مشابه به تمایلات یک کاربر مشابه است. چنین سیستم های پیشنهادی می توانند از کار میدانی صورت گرفته در بخش ۳ در رابطه با جستجوی مشابه و بخش ۷ در مورد دسته بندی استفاده کنند. با این حال چنین سیستم هایی به تنهایی کافی نمی باشند، و الگوریتم های جدیدی با اثبات رسیده نه برای سیستم های پیشنهادی مناسب هستند.
There is an extensive class of Web applications that involve predicting user responses to options. Such a facility is called a recommendation system. We shall begin this chapter with a survey of the most important examples of these systems. However, to bring the problem into focus, two good examples of recommendation systems are:
۱- Offering news articles to on-line newspaper readers, based on a prediction of reader interests.
۲- Offering customers of an on-line retailer suggestions about what they might like to buy, based on their past history of purchases and/or product searches.
Recommendation systems use a number of different technologies. We can classify these systems into two broad groups.
• Content-based systems examine properties of the items recommended. For instance, if a Netflix user has watched many cowboy movies, then recommend a movie classified in the database as having the “cowboy” genre.
• Collaborative filtering systems recommend items based on similarity measures between users and/or items. The items recommended to a user are those preferred by similar users. This sort of recommendation system cause the groundwork laid in Chapter 3 on similarity search and Chapter 7 on clustering. However, these technologies by themselves are not sufficient, and there are some new algorithms that have proven effective for recommendation systems.
115,000 ریال – خرید
.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *