Մասնակից:Անի Մաշինյան/Ավազարկղ

առաջարկությունների համակարգի ուրվագիծ
Վարկանիշային համակարգի հիման վրա համագործակցության ֆիլտրման օրինակ
Առաջարկման համակարգ

Առաջարկման համակարգերը (անգլ.՝ Recommender system) ալգորիթմների, ծրագրերի և ծառայությունների համալիրներ են, որոնց հիմնական խնդիրն է կանխատեսել, թե որ առարկաները (ապրանքները կամ ծառայությունները) հետաքրքրիր կլինեն օգտագործողին՝ տեղեկություններ ունենալով նրանց պրոֆիլի կամ այլ տվյալների մասին:

Առաջարկող համակարգերը համեմատում են օգտագործողի կողմից նախկինում գնահատված ապրանքները և առաջարկում են լավագույնս համապատասխանող իրեր:

Ներածություն խմբագրել

Ժամանակակից ինտերնետային տարածքը օգտագործողին տրամադրում է հսկայական տեղեկատվություն, որը գնալով ավելի բարդ է դառնում որոնելու համար: Անհնար է թերթել բոլոր նյութերը `ընտրելու համար ճիշտը ձեզ համար: Այս պատճառով, սկսեցին հայտնվել , այսպես կոչված, առաջարկությունների համակարգեր, որոնք ուղղված են այնպիսի տեղեկությունների տրամադրմանը, որոնք առավելագույնը բավարարում են օգտագործողի շահերին:

Վերջին տասնամյակներում առաջարկող համակարգերը ավելի ու ավելի շատ տեղ են գրավում մեր կյանքում՝Էլեկտրոնային առևտրից ( գնորդներին առաջարկել այնպիսի հոդվածներ, որոնք կարող են հետաքրքրել նրանց) մինչև առցանց գովազդ(օգտագործողներին առաջարկել ճիշտ բովանդակություն, համապատասխանեցնելով նրանց նախասիրություններին):

Առաջարկվող համակարգերը նաև շատ կարևոր են որոշ արդյունաբերություններում, քանի որ դրանք կարող են հսկայական եկամուտ առաջացնել, երբ դրանք արդյունավետ են, կամ նաև մրցակիցներից էականորեն առանձնանալու միջոց են[1]:

Պատմություն խմբագրել

Առաջին սարքավորումը, որը փորձեց հաշվի առնել օգտագործողների նախասիրությունները,Tivo թվային տեսաձայնագրիչն էր, որը հայտնվեց 1990-ականների վերջին: Այն վաճառվում էր այնպիսի ֆիրմաների կողմից,ինչպիսիք են Sony-ն և Philips-ը: Այն ժամանակ բոլոր հեռարձակվող հեռահաղորդակցությունների համար չկային կառուցվածքային լավ նկարագրություններ, և բարդ հաշվարկների համար օգտագործող սարքերի հզորությունը նույնպես բավարար չէր[2]:

Եթե ​​երկու տարբեր TiVo սարքերի վրա հեռուստադիտողները սովորաբար ընտրում էին նույն ծրագրերը, և ապա առաջին օգտագործողը սկսեց պարբերաբար դիտել նոր հեռուստաշոու, ապա այդ հեռուստաշոուն առաջարկվում էր նաև երկրորդ օգտագործողին:Առավելությունն այն էր, որ սարքը կարողանում էր գտնել, համեմատել նույն ճաշակն ունեցող հանդիսատեսին, և սարքը չէր ծանրաբեռնվում այլ համակարգչային հնարավորություններով: Այս սարքավորման պարզունակությունը շատ հետևորդներ հավաքեց:Բայց Tivo-ն երբեմն չէր կարողանում ճիշտ որոշել օգտագործողի իրական հետաքրքրությունները: Այդ պատճառով փորձ կատարվեց ավելի ճշգրտել ինֆորմացիան: Netflix- ը դարձավ հայտի չեմպիոն, որը DVD- ի վարձույթով զբաղվող բիզնեսի համար ներգրավեց մշակողների մի խումբ և տարեցտարի հասավ բոլոր լավագույն արդյունքներին: 2006-ից մինչև 2009 թվականը Netflix- ը հովանավորեց մրցույթ՝ թիմին առաջարկելով 1000,000 ԱՄՆ դոլարի մեծ մրցանակ, որը կարող էր վերցնել առաջարկվող տվյալների բազա՝ ավելի քան 100 միլիոն կինոնկարների վարկանիշներով և վերադարձնել առաջարկություններ, որոնք 10% -ով ավելի ճշգրիտ էին, քան ընկերության առաջարկած համակարգը: Այս մրցակցությունը աշխուժացրեց նոր և ավելի ճշգրիտ ալգորիթմների որոնումը:

Այնուհետև սկսվեց Խնդրի լուծման նոր մոտեցումների մշակում: Գործընթացում հայտնվեցին նոր ընկերություններ, մասնավորապես ՝ Jinni- ն և Aprico- ն,որոնք գիտակցեցին, որ երաշխավորված բովանդակության մասին ինֆորմացիան կարող է լուրջ հիմք հանդիսանալ օգտատիրոջ հետաքրքրությունների վերաբերյալ:

Netflix- ը միանգամից բարձր գնահատեց նկարագրությունների իմաստաբանական վերլուծության հեռանկարները և կրկին որոշեց ստանձնել սեփական զարգացումը: Jinni-ի նման նրանք սկսեցին ստեղծել իրենց կատալոգում ֆիլմերի նկարագրություններ և դասակարգիչներ:Սակայն այս մոտեցումը ևս ուներ մի շարք խնդիրներ, քանի որ այն ողջամիտ և հիմնավորված էր միայն այն դեպքում, եթե վիդեո գրացուցակը համեմատաբար փոքր էր և դանդաղ էր աճում:

Այս ամենի հիման վրա հետազոտողները ստացան հստակ տեղեկություններ,թե ինչ տեսքով են օգտատերերը ուզում ստանալ առաջարկությունները,ինչպես են արձագանքում և ինչ հետադարձ կապ են առաջարկում: Եվ պարզվեց, որ ոչ մի հստակ առաջարկվող ալգորիթմ չի կարող լիովին բավարարել օգտատիրոջ պահանջները: Օգտատերը ինքը պետք է խմբագրի առաջարկությունը,բովանդակությունը և գրի,թե ինչ է իրեն դուր գալիս և սարքը կբերի նմանատիպ տարբերակներ : Այսպիսով մենք հասանք մի նոր փուլ, որում հիմնական դերը խաղում է համատեքստը, անմիջական մտադրությունները, հետաքրքրություններ և օգտատերի միջավայրը[3]:

Նպատակը խմբագրել

Առաջարկությունների համակարգերի նպատակը արդյունավետ ալգորիթմների ուսումնասիրությունը և մշակումն է, որոնք թույլ են տալիս ընտրել մեծ թվով օգտագործողների համար առաջարկություններ ՝ իրենց նախասիրությունների վերաբերյալ, թերի կամ բացակայող տեղեկատվություն, ինչպես նաև այդպիսի ալգորիթմների միջոցով համակարգային ճարտարապետության մշակում:

Առաջարկող համակարգերի վերջնական նպատակը ընկերության վաճառքի բարձրացումն է: Դա կատարելու համար առաջարկությունների համակարգերը պետք է ցուցադրեն կամ օգտագործողին տրամադրեն միայն բովանդակալից նյութեր: Charu C Aggarwal- ը իր առաջարկությունների համակարգերի գրքում ամփոփում է առաջարկությունների շարժիչների ցանկալի նպատակները հետևյալ չորս կետերում.

  • Բազմազանություն - Օգտագործողները հակված են գոհ լինել առաջարկներից, երբ առկա է ցուցակի ավելի մեծ բազմազանություն:
  • Առաջարկողի համառություն - Որոշ իրավիճակներում ավելի արդյունավետ է առաջարկությունները կրկին ցուցադրել,  կամ թույլ տալ, որ օգտագործողները նորից գնահատեն իրերը,  քան նոր իրեր ցույց տալը: Դրա համար կան մի քանի պատճառներ: Օգտագործողները կարող են անտեսել այն իրերը, որոնք առաջին անգամ ցուցադրվում են, օրինակ, քանի որ ժամանակ չունեին ուշադիր ստուգելու առաջարկությունը:
  • Գաղտնիություն - Հանձնարարական համակարգերը սովորաբար պետք է զբաղվեն գաղտնիության հարցերով  քանի որ օգտագործողները պետք է բացահայտեն զգայուն տեղեկատվությունը: Եվրոպական շատ երկրներ ունեն տվյալների գաղտնիության ուժեղ մշակույթ:
  • Օգտագործողի ժողովրդագրություններ - Օգտագործողների ժողովրդագրությունը կարող է ազդել, թե որքանով են գոհ օգտվողները առաջարկություններից:Պարզվեց,որ ,օրինակ,տարեց օգտվողներին ավելի շատ են հետաքրքրում առաջարկությունները, քան երիտասարդներին:

Առաջարկող համակարգերի տեսակները խմբագրել

Համագործակցային զտում խմբագրել

Համագործակցային մոտեցումը  ստեղծում է առաջարկներ ՝ օգտագործողների շրջանում նմանություն գտնելով: Ելնելով այն սկզբունքից, որ նմանատիպ օգտագործողները կարող են նույն տարրին տալ նույն գնահատականը, ալգորիթմը օգտագործողին տրամադրում է այլ օգտվողների կողմից առավելագույն գնահատականներ ստացած տարրերը: Եթե, օրինակ,A և B օգտագործողները ունեն նմանատիպ կինոնկարի նախասիրություններ, և A- ն վերջերս դիտել է Titanic- ը,  որը օգտվող B- ն դեռ չի տեսել, ապա գաղափարն այն է, որ այս նոր ֆիլմը առաջարկել օգտվող B- ին:Ամենատարածված խնդիրը, որը առաջանում է համագործակցային մոտեցումը կիրառելիս տեղի է ունենում, երբ նոր օգտվող է միանում է կայքին: Համակարգը չի ունենում բավարար տեղեկատվություն սպառողի վերաբերյալ:Նույն իրավիճակը տեղի է ունենում նաև , երբ կատալոգում նոր ապրանք է ավելացվում[4]:

Կառուցելով ֆիլտրի համատեղ առաջարկությունների համակարգեր, մենք կիմանանք հետևյալ ասպեկտների մասին.

  • Ինչպե՞ս հաշվարկել օգտագործողների միջև նմանությունը:
  • Ինչպե՞ս հաշվարկել իրերի միջև նմանությունը:
  • Ինչպե՞ս են առաջարկվում առաջարկությունները:
  • Ինչպե՞ս վարվել նոր իրերի և նոր օգտվողների հետ, որոնց տվյալները հայտնի չեն:

Բովանդակության վրա հիմնված առաջարկող համակարգեր խմբագրել

Առաջարկող համակարգերի նախագծման մեկ այլ ընդհանուր մոտեցում է պարունակության վրա հիմնված ֆիլտրումը : Այս մեթոդը առավելագույնս հարմար է այն իրավիճակների համար, երբ կան հայտնի տվյալներ որևէ առարկայի (անուն, գտնվելու վայր, նկարագրություն և այլն), բայց ոչ օգտագործողի վերաբերյալ[5]:

Այլ կերպ ասած, ալգորիթմները փորձում են առաջարկել արտադրանքներ, որոնք նման են այն ապրանքներին, որոնք օգտագործողին նախկինում դուր է եկել: Բովանդակության վրա հիմնված ֆիլտրման գաղափարը հետևյալն է. եթե ձեզ դուր է գալիս որևէ ապրանք, ապա ձեզ դուր կգա նաև «նման» այլ ապրանք: Օրինակ, երբ առաջարկվում է նույն տեսակի կինոնկար կամ երգ:

Այսպիսով, բովանդակության վրա հիմնված առաջարկող համակարգում օգտագործվող ալգորիթմներն այնպիսին են, որ օգտագործողներին առաջարկում են նմանատիպ իրեր, որոնք օգտագործողին նախկինում դուր է եկել կամ ներկայումս ուսումնասիրում է:

Բովանդակության վրա հիմնված առաջարկությունների համակարգ կառուցելիս հաշվի ենք առնում հետևյալ հարցերը.

  • Ինչպե՞ս ենք ընտրում արտադրանքի բովանդակությունը կամ առանձնահատկությունները:
  • Ինչպե՞ս կարող ենք նմանություն ստեղծել իրերի միջև՝ ելնելով նրանց հատկություններից:
  • Ինչպե՞ս ենք անընդհատ ստեղծում և թարմացնում օգտվողի պրոֆիլները:

Ժողովրդագրական հիման վրա առաջարկող համակարգ խմբագրել

Այս համակարգը նպատակ ունի օգտագործողներին դասակարգել հատկանիշների հիման վրա և առաջարկություններ ներկայացնել ժողովրդագրական դասերի հիման վրա: Բազմաթիվ արդյունաբերություններ այսպիսի մոտեցում են ցուցաբերել, քանի որ այն այդքան էլ բարդ և հեշտ չէ իրականացնել: Ժողովրդագրական հիման վրա առաջարկող համակարգում ալգորիթմներին առաջին հերթին անհրաժեշտ են նշված տարածաշրջանում պատշաճ շուկայի ուսումնասիրություն կատարելու, տվյալների հավաքագրման համար: Ժողովրդագրական մոտեցման առավելությունն այն է, որ այն չի պահանջում օգտագործողների վարկանիշների պատմություն, ինչպես համատեղ և բովանդակության վրա հիմնված առաջարկող համակարգերը[6]:

Կոմունալ ծառայություններ առաջարկող համակարգ խմբագրել

Կոմունալ ծառայությունների հիման վրա առաջարկների համակարգը առաջարկություններ է անում `հիմնվելով օգտագործողի համար յուրաքանչյուր օբյեկտի օգտակարության հաշվարկի վրա: Իհարկե, այս տեսակի համակարգի համար հիմնական խնդիրն այն է, թե ինչպես ստեղծել անհատական ​​օգտվողներ: Կոմունալ տնտեսության վրա հիմնված համակարգում յուրաքանչյուր արդյունաբերություն կունենա տարբեր տեխնիկա: Այս առաջարկող համակարգն օգտագործելու հիմնական առավելությունն այն է, որ այն կարող է գործոնավորել ոչ ապրանքային հատկանիշները, ինչպիսիք են վաճառողի հուսալիությունը և ապրանքի մատչելիությունը կոմունալ հաշվարկների մեջ[7]:

Գիտելիքի հիման վրա առաջարկող համակարգ խմբագրել

Այս տեսակի առաջարկող համակարգը փորձում է օբյեկտներ առաջարկել օգտագործողի կարիքների և նախասիրությունների վերաբերյալ ենթադրությունների հիման վրա: Գիտելիքի վրա հիմնված առաջարկությունն աշխատում է ֆունկցիոնալ գիտելիքների վրա. Նրանք գիտելիքներ ունեն այն մասին, թե ինչպես է նյութը բավարարում օգտագործողի կարիքին, և, հետևաբար, կարող են պատճառաբանել անհրաժեշտության և հնարավոր առաջարկության միջև փոխհարաբերությունների մասին[8]:

Հիբրիդային առաջարկությունների համակարգեր խմբագրել

Այս տեսակի առաջարկությունների շարժիչը կառուցված է տարբեր առաջարկությունների համակարգերի համատեղմամբ `ավելի ուժեղ համակարգ կառուցելու համար: Միավորելով տարբեր առաջարկությունների համակարգեր, մենք կարող ենք մեկ համակարգի թերությունները փոխարինել մեկ այլ համակարգի առավելություններով և դրանով իսկ կառուցել ավելի ամուր համակարգ: Վերջին հետազոտությունները ցույց են տալիս, որ համատեղ և բովանդակության վրա հիմնված առաջարկությունը համատեղելը կարող է լինել ավելի արդյունավետ:

Netflix- ը հիբրիդային առաջարկող համակարգերի օգտագործման լավ օրինակ է : Կայքում առաջարկություններ են արվում ՝ համեմատելով նման օգտագործողների դիտման և որոնման սովորույթները (այսինքն ՝ համատեղ ֆիլտրում), ինչպես նաև առաջարկելով այնպիսի ֆիլմեր, որոնք օգտագործողը բարձր է գնահատել (բովանդակության վրա հիմնված ֆիլտրում):

Որոշ առաջարկող համակարգեր խմբագրել

Մեր առօրյա կյանքում առաջարկությունների որոշ օրինակներ են[9].

Amazon-ն օգտագործում է իր միլիոնավոր հաճախորդների տվյալները `պարզելու, թե որ իրերն են սովորաբար գնում միասին և դրա հիման վրա առաջարկություններ է անում: Amazon.com- ի առաջարկությունները տրամադրվում են հստակ տրամադրված վարկանիշների, գնումների վարքի և զննման պատմության հիման վրա:

Linkedin- ն օգտագործում է ձեր անցած փորձի, աշխատանքային ընթացիկ անվանումների և հաստատումների տվյալները `ձեզ համար հավանական աշխատանք առաջարկելու համար:

  • Netflix

Երբ մենք գնահատում ենք ֆիլմ կամ տեղադրում ենք մեր նախասիրությունները Netflix- ում, այն օգտագործում է այս տվյալները և հարյուրավոր այլ բաժանորդների տվյալներ `ֆիլմեր և շոուներ առաջարկելու համար:

Առաջարկող համակարգերը, ինչպիսիք են Facebook- ը, ուղղակիորեն չեն առաջարկում արտադրանքներ, այլ նրանք խորհուրդ են տալիս կապեր:

Բացի այդ Spotify, Youtube, IMDB, Trip Advisor, Google News և շատ այլ հարթակներ շարունակաբար տալիս են առաջարկություններ `մեր կարիքները բավարարելու համար:

Եզրակացություն խմբագրել

Վերջին տարիներին զգալի առաջընթաց է արձանագրվել առաջարկությունների համակարգերի մշակման գործընթացում։Որոշ համակարգեր գտել են գործնական կիրառություն առևտրի արդյունաբերության մեջ: Այնուամենայնիվ, չնայած առաջընթացին, ժամանակակից սերնդի առաջարկությունների համակարգերը պահանջում են հետագա կատարելագործումներ `ավելի մեծ արդյունավետությամբ աշխատելու համար : Այս աշխատանքում ուսումնասիրվել են առաջարկների ժամանակակից մեթոդներով բախվող տարբեր սահմանափակումներ, ինչպես նաև անհրաժեշտ բարելավումների վերանայում, որոնք պետք է դարձնեն առաջարկող համակարգերը ավելի արդյունավետ: Նման բարելավումները ներառում են, ի թիվս այլոց, օգտագործողի և արտադրանքի բարելավման մոդելավորման, առաջարկությունների գործընթացում ենթատեքստային տեղեկատվության ներառմանը, բազմամակարդակ չափանիշների գնահատման հնարավորությանը, ավելի ճկուն և ավելի քիչ ինտրիգային առաջարկությունների առկայությանը:

Ծանոթագրություններhttps://www.aprico.com/ խմբագրել

Արտաքին հղումներ խմբագրել

Նեթֆլիքսի կայքը
Linkedin-i կայքը
Spotify-i կայքը
IMBD՝ ֆիլմերի և հեռուստահաղորդումների կայք
Նեթֆլիքս մրցանակի մասին


Գրականություն խմբագրել

  • Kim Aggarwal, Falk (2019). Practical Recommender Systems:.
  • P. Aggarwal, Turney (2002). Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews:.
  • K. Aggarwal, Suresh (2016). Building Recommendation Engines.
  • О. В. Aggarwal, Арбузова (2013). Разработка и исследование алгоритмов для повышения эффективности интеллектуального анализа web-контента// реферат выпускной работы магистра Факультет вычислительной техники и информатики ДонНТУ:.
  • Е. В. Aggarwal, Котельников (2012). Автоматический анализ тональности текстов на основе методов машинного обучения // Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной международной конференции «Диалог» (РГГУ ed.).
  • М.В. Aggarwal, Клековкина (2011). Метод классификации текстов по тональности, основанный на словаре эмоциональной лексики// Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной международной конференции «Диалог».
  • Y. Aggarwal, Koren (2009). Collaborative Filtering with Temporal Dynamics.
  • W.P. Jones, G.W. Furnas Pictures of Relevance: Aggarwal (1987). A Geometric Analysis of Similarity Measures. Journal of the American society for information science.
  • Building a Recommendation System with R Kindle
  • Recommender Systems Handbook
  • Deepak K. Agarwal, Bee-Chung Chen (2016). Statistical Methods for Recommender Systems:.
  • Alexander Felfernig, Martin Stettinger, Marko Tkalčič, Лудовико Боратто (2018). Group Recommender Systems: An Introduction:.{{cite book}}: CS1 սպաս․ բազմաթիվ անուններ: authors list (link)
  • Panagiotis Symeonidis, Yannis Manolopoulos, Dimitrios Ntempos (2014). Recommender Systems for Location-based Social Networks:.{{cite book}}: CS1 սպաս․ բազմաթիվ անուններ: authors list (link)