Collaborative filtering

الموسوعة الحرة

An example of predicting of the user's rating using collaborative filtering.
  • Left: At first, people rate different items (like videos, images, games).
  • Right: After that, the system makes predictions about a user's rating for an item which they have not personally rated yet. These predictions are built upon the existing ratings of other users, who have similar ratings with the active user. For instance, in our case the system has made a prediction, that the user in the bottom left of the network will not like the video.

Collaborative filtering (CF) is, besides content-based filtering, one of two major techniques used by recommender systems.[1] Collaborative filtering has two senses, a narrow one and a more general one.[2]

In the newer, narrower sense, collaborative filtering is a method of making automatic predictions (filtering) about a user's interests by utilizing preferences or taste information collected from many users (collaborating). This approach assumes that if persons A and B share similar opinions on one issue, they are more likely to agree on other issues compared to a random pairing of A with another person. For instance, a collaborative filtering system for television programming could predict which shows a user might enjoy based on a limited list of the user's tastes (likes or dislikes).[3] These predictions are specific to the user, but use information gleaned from many users. This differs from the simpler approach of giving an average (non-specific) score for each item of interest, for example based on its number of votes.

In the more general sense, collaborative filtering is the process of filtering information or patterns using techniques involving collaboration among multiple agents, viewpoints, data sources, etc.[2] Applications of collaborative filtering typically involve very large data sets. Collaborative filtering methods have been applied to many kinds of data including: sensing and monitoring data, such as in mineral exploration, environmental sensing over large areas or multiple sensors; financial data, such as financial service institutions that integrate many financial sources; and user data from electronic commerce and web applications.

تركز هذه المقالة على التصفية التعاونية لبيانات المستخدم، ولكن بعض الأساليب تنطبق أيضًا على تطبيقات رئيسية أخرى.

ملخص

أدى نمو الإنترنت إلى صعوبة بالغة في استخلاص المعلومات المفيدة من الكم الهائل من البيانات المتاحة عبر الإنترنت . وتستلزم هذه الكمية الهائلة من البيانات وجود آليات فعّالة لتصفية المعلومات . وتُعدّ التصفية التعاونية إحدى التقنيات المستخدمة لمعالجة هذه المشكلة.

ينبع الدافع وراء الترشيح التعاوني من فكرة أن الناس غالبًا ما يحصلون على أفضل التوصيات من شخص ذي أذواق مشابهة لأذواقهم. ويشمل الترشيح التعاوني تقنيات لمطابقة الأشخاص ذوي الاهتمامات المتشابهة وتقديم التوصيات بناءً على ذلك.

غالباً ما تتطلب خوارزميات التصفية التعاونية (1) المشاركة النشطة للمستخدمين، (2) طريقة سهلة لتمثيل اهتمامات المستخدمين، و (3) خوارزميات قادرة على مطابقة الأشخاص ذوي الاهتمامات المتشابهة.

عادةً ما تكون آلية عمل نظام الترشيح التعاوني كما يلي:

  1. يعبّر المستخدم عن تفضيلاته بتقييم عناصر النظام (مثل الكتب أو الأفلام أو التسجيلات الموسيقية). ويمكن اعتبار هذه التقييمات بمثابة تمثيل تقريبي لاهتمام المستخدم بالمجال المعني.
  2. يقوم النظام بمطابقة تقييمات هذا المستخدم مع تقييمات المستخدمين الآخرين ويجد الأشخاص الذين لديهم أذواق "متشابهة" أكثر.
  3. مع المستخدمين المتشابهين، يوصي النظام بالعناصر التي قيّمها المستخدمون المتشابهون بدرجة عالية ولكن لم يتم تقييمها بعد من قبل هذا المستخدم (يفترض أن عدم وجود تقييم يعتبر في كثير من الأحيان دليلاً على عدم الإلمام بالعنصر).

تتمثل إحدى المشكلات الرئيسية في الترشيح التعاوني في كيفية دمج تفضيلات المستخدمين المجاورين وترجيحها. في بعض الأحيان، يمكن للمستخدمين تقييم العناصر المقترحة فورًا. ونتيجة لذلك، يكتسب النظام تمثيلًا أكثر دقة لتفضيلات المستخدمين بمرور الوقت.

المنهجية

الترشيح التعاوني في أنظمة التوصية

تتخذ أنظمة الترشيح التعاوني أشكالاً عديدة، ولكن يمكن اختزال العديد من الأنظمة الشائعة إلى خطوتين:

  1. ابحث عن المستخدمين الذين يتشاركون نفس أنماط التقييم مع المستخدم النشط (المستخدم الذي يتم التنبؤ له).
  2. استخدم تقييمات المستخدمين ذوي التفكير المماثل الذين تم العثور عليهم في الخطوة 1 لحساب توقع للمستخدم النشط

يندرج هذا ضمن فئة الترشيح التعاوني القائم على المستخدم. ومن التطبيقات المحددة لهذا النوع خوارزمية أقرب جار القائمة على المستخدم .

بدلاً من ذلك، فإن التصفية التعاونية القائمة على العناصر (المستخدمون الذين اشتروا x اشتروا أيضًا y)، تتم بطريقة تركز على العناصر:

  1. قم بإنشاء مصفوفة بين العناصر لتحديد العلاقات بين أزواج العناصر
  2. استنتج أذواق المستخدم الحالي من خلال فحص المصفوفة ومطابقة بيانات ذلك المستخدم

انظر، على سبيل المثال، عائلة التصفية التعاونية القائمة على العناصر من نوع Slope One .

يمكن أن يعتمد شكل آخر من أشكال الترشيح التعاوني على الملاحظات الضمنية لسلوك المستخدم الطبيعي (بدلاً من السلوك المصطنع المفروض من خلال مهمة التقييم). تراقب هذه الأنظمة ما فعله المستخدم بالإضافة إلى ما فعله جميع المستخدمين (الموسيقى التي استمعوا إليها، والمنتجات التي اشتروها)، وتستخدم هذه البيانات للتنبؤ بسلوك المستخدم في المستقبل، أو للتنبؤ بكيفية تصرفه لو أتيحت له الفرصة. بعد ذلك، يجب ترشيح هذه التنبؤات من خلال منطق الأعمال لتحديد كيفية تأثيرها على إجراءات نظام الأعمال. على سبيل المثال، ليس من المفيد عرض بيع ألبوم موسيقي معين لشخص ما إذا كان قد أثبت بالفعل امتلاكه لهذا الألبوم.

إن الاعتماد على نظام تقييم أو تصنيف يعتمد على متوسط ​​جميع المستخدمين يتجاهل الاحتياجات الخاصة لكل مستخدم، وهو غير فعال بشكل خاص في المهام التي تتسم بتفاوت كبير في الاهتمامات (كما هو الحال في توصيات الموسيقى). ومع ذلك، توجد طرق أخرى لمواجهة تضخم المعلومات ، مثل البحث عبر الإنترنت وتجميع البيانات .

الأنواع

يعتمد على الذاكرة

تعتمد الطريقة القائمة على الذاكرة على بيانات تقييم المستخدمين لحساب التشابه بين المستخدمين أو العناصر. ومن الأمثلة الشائعة على هذه الطريقة التصفية التعاونية القائمة على الجوار، وتوصيات أفضل N عنصر/مستخدم. فعلى سبيل المثال، في الطرق القائمة على المستخدمين، تُحسب قيمة تقييمات المستخدم u للعنصر i كمجموع لتقييمات بعض المستخدمين المتشابهين لهذا العنصر.

رu،أنا=عدوانيu′∈يو⁡رu′،أنا{\displaystyle r_{u,i}=\operatorname {aggr} _{u^{\prime }\in U}r_{u^{\prime },i}}

حيث يرمز U إلى مجموعة أفضل N مستخدمًا الأكثر تشابهًا مع المستخدم u الذي قيّم العنصر i . تتضمن بعض الأمثلة على دالة التجميع ما يلي:

رu،أنا=1شمال∑u′∈يورu′،أنا{\displaystyle r_{u,i}={\frac {1}{N}}\sum \limits _{u^{\prime }\in U}r_{u^{\prime },i}}
رu،أنا=ك∑u′∈يومشابه⁡(u،u′)رu′،أنا{\displaystyle r_{u,i}=k\sum \limits _{u^{\prime }\in U}\operatorname {simil} (u,u^{\prime })r_{u^{\prime },i}}

حيث k هو عامل تطبيع يُعرَّف على النحو التالي:ك=1/∑u′∈يو|مشابه⁡(u،u′)|{\displaystyle k=1/\sum _{u^{\prime }\in U}|\operatorname {simil} (u,u^{\prime })|}، و

رu،أنا=رu¯+ك∑u′∈يومشابه⁡(u،u′)(رu′،أنا-رu′¯){\displaystyle r_{u,i}={\bar {r_{u}}}+k\sum \limits _{u^{\prime }\in U}\operatorname {simil} (u,u^{\prime })(r_{u^{\prime },i}-{\bar {r_{u^{\prime }}}})}

أينرu¯{\displaystyle {\bar {r_{u}}}}يمثل متوسط ​​تقييم المستخدم u لجميع العناصر التي تم تقييمها بواسطة u .

تحسب الخوارزمية القائمة على الجوار مدى التشابه بين مستخدمين أو عنصرين، وتُنتج تنبؤًا للمستخدم من خلال حساب المتوسط ​​المرجح لجميع التقييمات. يُعد حساب التشابه بين العناصر أو المستخدمين جزءًا أساسيًا من هذا النهج، حيث تُستخدم مقاييس متعددة لهذا الغرض ، مثل معامل ارتباط بيرسون والتشابه القائم على جيب التمام المتجهي .

يُعرَّف معامل ارتباط بيرسون بين مستخدمين x و y على النحو التالي:

مشابه⁡(x،y)=∑أنا∈أناxy(رx،أنا-رx¯)(رy،أنا-رy¯)∑أنا∈أناxy(رx،أنا-رx¯)2∑أنا∈أناxy(رy،أنا-رy¯)2{\displaystyle \operatorname {simil} (x,y)={\frac {\sum \limits _{i\in I_{xy}}(r_{x,i}-{\bar {r_{x}}})(r_{y,i}-{\bar {r_{y}}})}{{\sqrt {\sum \limits _{i\in I_{xy}}(r_{x,i}-{\bar {r_{x}}})^{2}}}{\sqrt {\sum \limits _{i\in I_{xy}}(r_{y,i}-{\bar {r_{y}}})^{2}}}}}}

حيث I xy هي مجموعة العناصر التي تم تقييمها من قبل كل من المستخدم x والمستخدم y .

يُعرّف النهج القائم على جيب التمام تشابه جيب التمام بين مستخدمين x و y على النحو التالي: [ 4 ]

مشابه⁡(x،y)=كوس⁡(x→،y→)=x→⋅y→||x→||×||y→||=∑أنا∈أناxyرx،أنارy،أنا∑أنا∈أناxرx،أنا2∑أنا∈أناyرy،أنا2{\displaystyle \operatorname {simil} (x,y)=\cos({\vec {x}},{\vec {y}})={\frac {{\vec {x}}\cdot {\vec {y}}}{||{\vec {x}}||\times ||{\vec {y}}||}}={\frac {\sum \limits _{i\in I_{xy}}r_{x,i}r_{y,i}}{{\sqrt {\sum \limits _{i\in I_{x}}r_{x,i}^{2}}}{\sqrt {\sum \limits _{i\in I_{y}}r_{y,i}^{2}}}}}}

تستخدم خوارزمية التوصية لأفضل N مستخدم نموذجًا متجهيًا قائمًا على التشابه لتحديد المستخدمين الأكثر تشابهًا (k) مع مستخدم نشط. بعد تحديد هؤلاء المستخدمين، تُجمع مصفوفات المستخدم-العنصر الخاصة بهم لتحديد مجموعة العناصر المراد التوصية بها. ومن الطرق الشائعة لإيجاد المستخدمين المتشابهين التجزئة الحساسة للموقع ، والتي تُنفذ آلية أقرب جار في وقت خطي.

تشمل مزايا هذا النهج ما يلي: إمكانية تفسير النتائج، وهو جانب مهم من أنظمة التوصية؛ سهولة الإنشاء والاستخدام؛ سهولة تسهيل البيانات الجديدة؛ استقلالية محتوى العناصر الموصى بها؛ قابلية التوسع الجيدة مع العناصر ذات التصنيف المشترك.

هناك أيضًا عدة عيوب لهذا النهج. ينخفض ​​أداؤه عندما تكون البيانات متفرقة ، وهو أمر شائع في العناصر المتعلقة بالويب. هذا يعيق قابلية التوسع لهذا النهج ويخلق مشاكل مع مجموعات البيانات الكبيرة. على الرغم من قدرته على التعامل بكفاءة مع المستخدمين الجدد لاعتماده على بنية بيانات ، إلا أن إضافة عناصر جديدة تصبح أكثر تعقيدًا لأن هذا التمثيل يعتمد عادةً على فضاء متجهي محدد . تتطلب إضافة عناصر جديدة إدراج العنصر الجديد وإعادة إدخال جميع العناصر في البنية.

قائم على النموذج

يُعدّ تعلّم النماذج للتنبؤ بتقييم المستخدمين للعناصر غير المُقيّمة بديلاً عن الطرق القائمة على الذاكرة . تشمل خوارزميات التصفية التعاونية القائمة على النماذج الشبكات البايزية ، ونماذج التجميع ، والنماذج الدلالية الكامنة مثل تحليل القيم المفردة ، والتحليل الدلالي الكامن الاحتمالي ، وعامل الضرب المتعدد، وتخصيص ديريشلي الكامن، والنماذج القائمة على عملية اتخاذ القرار ماركوف . [ 5 ]

من خلال هذا النهج، تُستخدم أساليب تقليل الأبعاد في الغالب لتحسين متانة ودقة الطرق القائمة على الذاكرة. على وجه التحديد، تعمل أساليب مثل تحليل القيم المفردة وتحليل المكونات الرئيسية ، المعروفة بنماذج العوامل الكامنة، على ضغط مصفوفة المستخدم-العنصر إلى تمثيل منخفض الأبعاد بدلالة العوامل الكامنة. هذا يحوّل المصفوفة الكبيرة التي تحتوي على العديد من القيم المفقودة إلى مصفوفة أصغر بكثير. يمكن استخدام المصفوفة المضغوطة للعثور على جيران المستخدم أو العنصر كما هو موضح في القسم السابق. يتميز الضغط بميزتين في البيانات الكبيرة والمتفرقة : فهو أكثر دقة وقابلية للتوسع بشكل أفضل. [ 6 ]

هجين

تجمع العديد من التطبيقات بين خوارزميات التصفية التعاونية القائمة على الذاكرة والقائمة على النموذج. تتغلب هذه التطبيقات على قيود أساليب التصفية التعاونية الأصلية وتحسن أداء التنبؤ. والأهم من ذلك، أنها تتغلب على مشاكل التصفية التعاونية مثل ندرة المعلومات وفقدانها. مع ذلك، فهي أكثر تعقيدًا ومكلفة التنفيذ. [ 7 ] عادةً ما تكون معظم أنظمة التوصية التجارية هجينة، على سبيل المثال، نظام التوصية الخاص بأخبار جوجل . [ 8 ]

التعلم العميق

في السنوات الأخيرة، تم اقتراح العديد من تقنيات الشبكات العصبية والتعلم العميق للترشيح التعاوني. بعضها يعمم خوارزميات تحليل المصفوفات التقليدية عبر بنية عصبية غير خطية، [ 9 ] أو يستفيد من أنواع نماذج جديدة مثل المشفرات التلقائية المتغيرة . [ 10 ] وقد طُبق التعلم العميق في العديد من السيناريوهات (الوعي بالسياق، والوعي بالتسلسل، والوسم الاجتماعي، إلخ).

مع ذلك، أُثيرت تساؤلات حول فعالية التعلم العميق في التوصيات التعاونية. فقد كشف تحليل منهجي للمنشورات التي تستخدم التعلم العميق أو الأساليب العصبية لحل مشكلة التوصية بأفضل k عنصر، والمنشورة في مؤتمرات رائدة (SIGIR، KDD، WWW، RecSys)، أن أقل من 40% من المقالات قابلة للتكرار في المتوسط، و14% فقط في بعض المؤتمرات. وبشكل عام، حددت الدراسة 18 مقالة، 7 منها فقط قابلة للتكرار، و6 منها يمكن أن تتفوق عليها نماذج أساسية أقدم وأبسط تم ضبطها بشكل صحيح. تسلط المقالة الضوء على المشكلات المحتملة في البحث العلمي الحالي، وتدعو إلى تحسين الممارسات العلمية. [ 11 ] وقد رصد باحثون آخرون مشكلات مماثلة [ 12 ] ، وكذلك في أنظمة التوصية التي تراعي التسلسل. [ 13 ]

الترشيح التعاوني الواعي بالسياق

تتجاهل العديد من أنظمة التوصية ببساطة المعلومات السياقية الأخرى الموجودة إلى جانب تقييم المستخدم عند تقديم توصيات المنتجات. [ 14 ] ومع ذلك، ونظرًا للتوافر الواسع للمعلومات السياقية، مثل الوقت والموقع والمعلومات الاجتماعية ونوع الجهاز الذي يستخدمه المستخدم، أصبح من الأهمية بمكان أن يقدم نظام التوصية الناجح توصيات حساسة للسياق. ووفقًا لشارو أغراوال، "تُكيّف أنظمة التوصية الحساسة للسياق توصياتها وفقًا لمعلومات إضافية تُحدد الموقف المحدد الذي تُقدّم فيه التوصيات. وتُعرف هذه المعلومات الإضافية بالسياق." [ 6 ]

بأخذ المعلومات السياقية في الاعتبار، سنضيف بُعدًا جديدًا إلى مصفوفة تقييم المستخدم للعناصر الحالية. على سبيل المثال، لنفترض نظامًا لتوصية الموسيقى يُقدّم توصيات مختلفة بحسب وقت اليوم. في هذه الحالة، من الممكن أن يكون لدى المستخدم تفضيلات موسيقية مختلفة في أوقات مختلفة من اليوم. لذا، بدلًا من استخدام مصفوفة المستخدم للعناصر، يُمكننا استخدام موتر من الرتبة 3 (أو أعلى لمراعاة السياقات الأخرى) لتمثيل تفضيلات المستخدمين الحساسة للسياق. [ 15 ] [ 16 ] [ 17 ]

للاستفادة من الترشيح التعاوني، وخاصةً الأساليب القائمة على الجوار، يمكن توسيع نطاق الأساليب من مصفوفة تقييم ثنائية الأبعاد إلى موتر ذي رتبة أعلى . ولتحقيق هذا الغرض، يتمثل الأسلوب في إيجاد المستخدمين الأكثر تشابهًا مع المستخدم المستهدف؛ حيث يمكن استخراج وحساب تشابه الشرائح (مثل مصفوفة العنصر-الوقت) الخاصة بكل مستخدم. وخلافًا للحالة غير الحساسة للسياق، حيث يُحسب تشابه متجهي التقييم، في الأساليب الواعية للسياق ، يُحسب تشابه مصفوفات التقييم الخاصة بكل مستخدم باستخدام معاملات بيرسون . [ 6 ] بعد إيجاد المستخدمين الأكثر تشابهًا، تُجمع تقييماتهم لتحديد مجموعة العناصر التي سيتم التوصية بها للمستخدم المستهدف.

تتمثل أهم عيوب إدخال السياق في نموذج التوصية في صعوبة التعامل مع مجموعات بيانات أكبر تحتوي على قيم مفقودة أكثر بكثير مقارنةً بمصفوفة تقييم المستخدم للمنتج . لذا، وكما هو الحال في طرق تحليل المصفوفات ، يمكن استخدام تقنيات تحليل الموترات لتقليل أبعاد البيانات الأصلية قبل استخدام أي طرق تعتمد على الجوار .

تطبيق على مواقع التواصل الاجتماعي

على عكس النموذج التقليدي لوسائل الإعلام السائدة، حيث يوجد عدد قليل من المحررين الذين يضعون المبادئ التوجيهية، يمكن لوسائل التواصل الاجتماعي التي تعتمد على التصفية التعاونية أن تضم عددًا كبيرًا جدًا من المحررين، ويتحسن المحتوى مع ازدياد عدد المشاركين. وتُعد خدمات مثل Reddit و YouTube و Last.fm أمثلة نموذجية على وسائل الإعلام القائمة على التصفية التعاونية. [ 18 ]

يتمثل أحد سيناريوهات تطبيقات التصفية التعاونية في التوصية بمعلومات مثيرة للاهتمام أو شائعة بناءً على تقييم المجتمع. على سبيل المثال، تظهر القصص في الصفحة الرئيسية لموقع Reddit عندما تحظى بتصويت إيجابي من أعضاء المجتمع. ومع ازدياد حجم المجتمع وتنوعه، تصبح القصص المُروَّجة أكثر قدرة على عكس اهتمامات أعضائه بشكل أفضل.

ويكيبيديا هي تطبيق آخر للتصفية التعاونية. يساهم المتطوعون في الموسوعة من خلال تصفية الحقائق من المعلومات الخاطئة. [ 19 ]

من الجوانب الأخرى لأنظمة التصفية التعاونية قدرتها على توليد توصيات أكثر تخصيصًا من خلال تحليل معلومات من نشاط مستخدم معين سابقًا، أو من سجل المستخدمين الآخرين الذين يُعتقد أن أذواقهم مشابهة لذوقه. تُستخدم هذه الموارد في تحديد خصائص المستخدمين، مما يساعد الموقع على التوصية بالمحتوى لكل مستخدم على حدة. وكلما زاد استخدام المستخدم للنظام، تحسنت التوصيات، إذ يكتسب النظام بيانات لتحسين نموذجه الخاص بهذا المستخدم.

مشاكل

لا يضمن نظام الترشيح التعاوني بالضرورة مطابقة المحتوى تلقائيًا مع تفضيلات المستخدم. فما لم تحقق المنصة تنوعًا واستقلاليةً استثنائيين في الآراء، ستطغى وجهة نظر واحدة على الأخرى في أي مجتمع. وكما هو الحال في التوصيات الشخصية، قد يؤدي إدخال مستخدمين أو عناصر جديدة إلى مشكلة البداية الباردة ، نظرًا لعدم كفاية البيانات المتاحة حول هذه العناصر الجديدة لكي يعمل نظام الترشيح التعاوني بدقة. ولتقديم توصيات مناسبة لمستخدم جديد، يجب على النظام أولًا التعرف على تفضيلاته من خلال تحليل أنشطة التصويت أو التقييم السابقة. ويتطلب نظام الترشيح التعاوني تقييم عدد كبير من المستخدمين لعنصر جديد قبل التوصية به.

التحديات

ندرة البيانات

في الواقع، تعتمد العديد من أنظمة التوصية التجارية على مجموعات بيانات ضخمة. ونتيجة لذلك، قد تكون مصفوفة المستخدم-المنتج المستخدمة في الترشيح التعاوني كبيرة للغاية ومتفرقة، مما يُسبب تحديات في أداء التوصية.

One typical problem caused by the data sparsity is the cold start problem. As collaborative filtering methods recommend items based on users' past preferences, new users will need to rate a sufficient number of items to enable the system to capture their preferences accurately and thus provides reliable recommendations.

Similarly, new items also have the same problem. When new items are added to the system, they need to be rated by a substantial number of users before they could be recommended to users who have similar tastes to the ones who rated them. The new item problem does not affect content-based recommendations, because the recommendation of an item is based on its discrete set of descriptive qualities rather than its ratings.

Scalability

As the numbers of users and items grow, traditional CF algorithms will suffer serious scalability problems. For example, with tens of millions of customers O(M){\displaystyle O(M)} and millions of items O(N){\displaystyle O(N)}, a CF algorithm with the complexity of n{\displaystyle n} is already too large. As well, many systems need to react immediately to online requirements and make recommendations for all users regardless of their millions of users, with most computations happening in very large memory machines.[20]

Synonyms

Synonyms refers to the tendency of a number of the same or very similar items to have different names or entries. Most recommender systems are unable to discover this latent association and thus treat these products differently.

For example, the seemingly different items "children's movie" and "children's film" are actually referring to the same item. Indeed, the degree of variability in descriptive term usage is greater than commonly suspected. The prevalence of synonyms decreases the recommendation performance of CF systems. Topic Modeling (like the Latent Dirichlet Allocation technique) could solve this by grouping different words belonging to the same topic.

Gray sheep

Gray sheep refers to the users whose opinions do not consistently agree or disagree with any group of people and thus do not benefit from collaborative filtering. Black sheep are a group whose idiosyncratic tastes make recommendations nearly impossible. Although this is a failure of the recommender system, non-electronic recommenders also have great problems in these cases, so having black sheep is an acceptable failure.

Shilling attacks

In a recommendation system where everyone can give the ratings, people may give many positive ratings for their own items and negative ratings for their competitors'. It is often necessary for the collaborative filtering systems to introduce precautions to discourage such manipulations.

Diversity and the long tail

من المتوقع أن تزيد المرشحات التعاونية من التنوع لأنها تساعدنا على اكتشاف منتجات جديدة. مع ذلك، قد تُؤدي بعض الخوارزميات، دون قصد، إلى عكس ذلك. فنظرًا لأن هذه المرشحات تُوصي بالمنتجات بناءً على المبيعات أو التقييمات السابقة، فإنها لا تستطيع عادةً التوصية بمنتجات ذات بيانات تاريخية محدودة. وهذا قد يُؤدي إلى تأثير "الأكثر ثراءً" للمنتجات الشائعة، على غرار التغذية الراجعة الإيجابية . هذا التحيز نحو الشعبية قد يمنع ما يُمكن أن يكون توافقًا أفضل بين المستهلك والمنتج. تُفصّل دراسةٌ من جامعة وارتون هذه الظاهرة إلى جانب العديد من الأفكار التي قد تُعزز التنوع و" الذيل الطويل ". [ 21 ] وقد طُوّرت العديد من خوارزميات الترشيح التعاوني لتعزيز التنوع و" الذيل الطويل " [ 22 ] من خلال التوصية بمنتجات جديدة، [ 23 ] وغير متوقعة، [ 24 ] ومُكتشفة صدفةً. [ 25 ]

الابتكارات

  • تم تطوير خوارزميات جديدة للتليف الكيسي نتيجة لجائزة نتفليكس .
  • الترشيح التعاوني عبر الأنظمة حيث يتم دمج ملفات تعريف المستخدمين عبر أنظمة التوصية المتعددة بطريقة متعددة المهام؛ وبهذه الطريقة، يتم تحقيق مشاركة أنماط التفضيل عبر النماذج. [ 26 ]
  • الترشيح التعاوني القوي ، حيث تكون التوصيات مستقرة في مواجهة محاولات التلاعب. لا يزال هذا المجال البحثي نشطًا ولم يتم حله بالكامل. [ 27 ]

معلومات إضافية

تُعدّ مصفوفة المستخدم-العنصر أساسًا لتقنيات الترشيح التعاوني التقليدية، إلا أنها تعاني من مشكلة ندرة البيانات (أي بداية باردة ). ونتيجةً لذلك، يسعى الباحثون، إلى جانب مصفوفة المستخدم-العنصر، إلى جمع المزيد من المعلومات المساعدة لتحسين أداء التوصيات وتطوير أنظمة توصية شخصية. [ 28 ] عمومًا، هناك نوعان شائعان من المعلومات المساعدة: معلومات السمات ومعلومات التفاعل . تصف معلومات السمات خصائص المستخدم أو العنصر. على سبيل المثال، قد تتضمن سمات المستخدم معلومات عامة (مثل الجنس والعمر) وجهات اتصال اجتماعية (مثل المتابعين أو الأصدقاء على الشبكات الاجتماعية ). أما سمات العنصر فتعني خصائص مثل الفئة أو العلامة التجارية أو المحتوى. بالإضافة إلى ذلك، تشير معلومات التفاعل إلى البيانات الضمنية التي توضح كيفية تفاعل المستخدمين مع العنصر. تتضمن معلومات التفاعل الشائعة الوسوم والتعليقات والتقييمات وسجل التصفح، وما إلى ذلك. تلعب المعلومات المساعدة دورًا هامًا في جوانب متعددة. تُستخدم الروابط الاجتماعية الصريحة، باعتبارها مؤشرًا موثوقًا للثقة أو الصداقة، دائمًا في حساب التشابه للعثور على أشخاص متشابهين يشاركون المستخدم المستهدف اهتماماته. [ 29 ] [ 30 ] تُعتبر المعلومات المرتبطة بالتفاعل - الوسوم - بُعدًا ثالثًا (بالإضافة إلى المستخدم والمنتج) في الترشيح التعاوني المتقدم لبناء بنية موتر ثلاثية الأبعاد لاستكشاف التوصيات. [ 31 ]

انظر أيضاً

مراجع

  1. ↑ فرانشيسكو ريتشي وليور روكاش وبراخا شابيرا، مقدمة في دليل أنظمة التوصية، مؤرشف في 2 يونيو 2016 على موقع Wayback Machine ، دليل أنظمة التوصية، سبرينغر، 2011، الصفحات 1-35
  2. 1 2 تيرفين، لورين ؛ هيل، ويل (2001). "ما وراء أنظمة التوصية: مساعدة الناس على مساعدة بعضهم البعض" (ملف PDF) . أديسون-ويسلي. ص  6. تم الاطلاع عليه بتاريخ 16 يناير 2012 .
  3. ↑ نهج متكامل لتوصيات التلفزيون والفيديو حسب الطلب (مؤرشف في 6 يونيو 2012 على موقع Wayback Machine)
  4. ↑ جون إس. بريس، ديفيد هيكرمان، وكارل كادي، التحليل التجريبي للخوارزميات التنبؤية للترشيح التعاوني ، 1998. مؤرشف في 19 أكتوبر 2013 على موقع Wayback Machine.
  5. ↑ شياويوان سو، تقي م. خوشجوفتار، مسح لتقنيات الترشيح التعاوني ، أرشيف التقدم في الذكاء الاصطناعي، 2009.
  6. ١ ٢ ٣ أنظمة التوصية - الكتاب الدراسي | شارو سي. أغاروال | سبرينغر . سبرينغر. ٢٠١٦. ISBN 9783319296579.
  7. ↑ غضنفر، مستنصر علي؛ بروغل بينيت، آدم؛ سزيدماك ، ساندور (2012). “خوارزميات نظام موصي تعيين Kernel”. علوم المعلومات . 208 : 81 – 104. سيتيسيركس 10.1.1.701.7729 . دوى : 10.1016/j.ins.2012.04.012 . S2CID 20328670 .  
  8. ↑ داس، أبهيناندان س.؛ داتار، مايور؛ غارغ، أشوتوش؛ راجارام، شيام (2007). "تخصيص أخبار جوجل". وقائع المؤتمر الدولي السادس عشر حول شبكة الويب العالمية - WWW '07 . ص 271. doi : 10.1145/1242572.1242610 . ISBN  9781595936547. S2CID 207163129 . 
  9. ↑ هي، شيانغنان؛ لياو، ليزي؛ تشانغ، هانوانغ؛ ني، لي تشيانغ؛ هو، شيا؛ تشوا، تات سينغ (2017). "الترشيح التعاوني العصبي" . وقائع المؤتمر الدولي السادس والعشرين للويب العالمي . اللجنة التوجيهية للمؤتمرات الدولية للويب العالمي. الصفحات 173-182 . arXiv : 1708.05031 . doi : 10.1145/3038912.3052569 . ISBN  9781450349130. S2CID 13907106 . تم الاسترجاع في 16 أكتوبر 2019 . 
  10. ↑ ليانغ، داوين؛ كريشنان، راهول ج.؛ هوفمان، ماثيو د.؛ جيبارا، توني (2018). "المشفرات التلقائية المتغيرة للترشيح التعاوني". وقائع مؤتمر الويب العالمي لعام 2018 - WWW '18 . اللجنة التوجيهية الدولية لمؤتمرات الويب العالمي. الصفحات 689-698 . arXiv : 1802.05814 . doi : 10.1145/3178876.3186150 . ISBN  9781450356398.
  11. ↑Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). "Are we really making much progress? A worrying analysis of recent neural recommendation approaches". Proceedings of the 13th ACM Conference on Recommender Systems. ACM. pp. 101–109. arXiv:1907.06902. doi:10.1145/3298689.3347058. hdl:11311/1108996. ISBN 9781450362436. S2CID 196831663. Retrieved 16 October 2019.
  12. ↑Anelli, Vito Walter; Bellogin, Alejandro; Di Noia, Tommaso; Jannach, Dietmar; Pomo, Claudio (2022). "Top-N Recommendation Algorithms: A Quest for the State-of-the-Art". Proceedings of the 30th ACM Conference on User Modeling, Adaptation and Personalization. ACM. pp. 121–131. arXiv:2203.01155. doi:10.1145/3503252.3531292. ISBN 9781450392075. S2CID 247218662. Retrieved 1 March 2022.
  13. ↑Ludewig, Malte; Mauro, Noemi; Latifi, Sara; Jannach, Dietmar (2019). "Performance comparison of neural and non-neural approaches to session-based recommendation". Proceedings of the 13th ACM Conference on Recommender Systems. ACM. pp. 462–466. doi:10.1145/3298689.3347041. ISBN 9781450362436.
  14. ↑Adomavicius, Gediminas; Tuzhilin, Alexander (1 January 2015). Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Recommender Systems Handbook. Springer US. pp. 191–226. doi:10.1007/978-1-4899-7637-6_6. ISBN 9781489976369.
  15. ↑Bi, Xuan; Qu, Annie; Shen, Xiaotong (2018). "Multilayer tensor factorization with applications to recommender systems". Annals of Statistics. 46 (6B): 3303–3333. arXiv:1711.01598. doi:10.1214/17-AOS1659. S2CID 13677707.
  16. ↑Zhang, Yanqing; Bi, Xuan; Tang, Niansheng; Qu, Annie (2020). "Dynamic tensor recommender systems". arXiv:2003.05568v1 [stat.ME].
  17. ↑ بي، شوان؛ تانغ، شيوي؛ يوان، يوباي؛ تشانغ، يانكينغ؛ كو، آني (2021). "الموترات في الإحصاء" . المراجعة السنوية للإحصاء وتطبيقاته . 8 (1): annurev. Bibcode : 2021AnRSA...842720B . doi : 10.1146/annurev-statistics-042720-020816 . S2CID 224956567 . 
  18. ↑ الترشيح التعاوني: شريان الحياة للشبكة الاجتماعية (مؤرشف في 22 أبريل 2012 على موقع Wayback Machine)
  19. ↑ جليك، جيمس (2012). المعلومات : تاريخ، نظرية، فيضان (الطبعة الأولى من كتب فينتج، طبعة 2012). نيويورك: كتب فينتج. ص 410. ISBN    978-1-4000-9623-7. OCLC 745979816 . 
  20. ↑ بانكاج غوبتا، أشيش غويل، جيمي لين، أنيش شارما، دونغ وانغ، ورضا بوساغ زاده، WTF: نظام "من تتابع" على تويتر ، وقائع المؤتمر الدولي الثاني والعشرين حول شبكة الويب العالمية
  21. ↑ فليدر، دانيال؛ هوساناجار، كارتيك (مايو 2009). "صعود ثقافة الأفلام الرائجة أو سقوطها: تأثير أنظمة التوصية على تنوع المبيعات" . مجلة علوم الإدارة . 55 (5): 697-712 . doi : 10.1287/mnsc.1080.0974 . SSRN 955984 . 
  22. ↑ كاستيلز، بابلو؛ هيرلي، نيل جيه؛ فارغاس، ساؤول (2015). "الحداثة والتنوع في أنظمة التوصية" . في: ريتشي، فرانشيسكو؛ روكاش، ليور؛ شابيرا، براخا (محررون). دليل أنظمة التوصية ( الطبعة الثانية). سبرينغر الولايات المتحدة. الصفحات 881-918 . doi : 10.1007/978-1-4899-7637-6_26 . ISBN   978-1-4899-7637-6.
  23. ↑ تشوي، جيونغوان؛ هونغ، سويونغ؛ بارك، نوسونغ؛ تشو، سونغ باي (2022). "نماذج عملية التمويه والتوضيح للترشيح التعاوني". arXiv : 2211.09324 [ cs.IR ].
  24. ↑ أداموبولوس، بانايوتيس؛ توزيلين، ألكسندر (يناير 2015). "حول عنصر المفاجأة في أنظمة التوصية: أو كيف نتوقع ما هو غير متوقع بشكل أفضل". معاملات ACM في الأنظمة الذكية والتكنولوجيا . 5 (4): 1-32 . doi : 10.1145/2559952 . S2CID 15282396 . 
  25. ↑ أداموبولوس، بانايوتيس (أكتوبر 2013). "ما وراء دقة التنبؤ بالتقييم". وقائع المؤتمر السابع لجمعية الحوسبة الآلية (ACM) حول أنظمة التوصية . الصفحات 459-462 . doi : 10.1145/2507157.2508073 . ISBN  9781450324090. S2CID 1526264 . 
  26. ↑ شاتزيس، سوتيريوس (أكتوبر 2013). "الترشيح التعاوني متعدد المهام غير البارامتري باستخدام بايز". وقائع المؤتمر الدولي الثاني والعشرين لجمعية ACM حول إدارة المعلومات والمعرفة CIKM '13. Portal.acm.org. الصفحات 2149-2158 . doi : 10.1145/2505515.2505517 . ISBN  9781450322638. S2CID 10515301 . 
  27. ↑ ميهتا، بهاسكار؛ هوفمان، توماس؛ نيدل، وولفغانغ (19 أكتوبر 2007). وقائع مؤتمر ACM لعام 2007 حول أنظمة التوصية - Rec Sys '07 . Portal.acm.org. ص 49. CiteSeerX 10.1.1.695.1712 . doi : 10.1145/1297231.1297240 . ISBN   9781595937308. S2CID 5640125 . 
  28. ↑ شي، يو؛ لارسون، مارثا؛ هانجاليك، آلان (2014). "الترشيح التعاوني خارج نطاق مصفوفة المستخدم-العنصر: دراسة استقصائية لأحدث التقنيات والتحديات المستقبلية". مجلة ACM Computing Surveys . 47 : 1-45 . doi : 10.1145/2556270 . S2CID 5493334 . 
  29. ↑ ماسا، باولو؛ أفيساني، باولو (2009). الحوسبة باستخدام الثقة الاجتماعية . لندن: سبرينغر. ص 259-285 . 
  30. ↑ غروه جورج؛ إهميج كريستيان. التوصيات في المجالات المتعلقة بالذوق: الترشيح التعاوني مقابل الترشيح الاجتماعي . وقائع المؤتمر الدولي لجمعية الحوسبة الآلية لعام 2007 حول دعم العمل الجماعي. الصفحات 127-136 . CiteSeerX 10.1.1.165.3679 .  
  31. ↑ سيميونيديس، بانايوتيس؛ نانوبولوس، ألكسندروس؛ مانولوبولوس، يانيس (2008). "توصيات الوسوم بناءً على تقليل أبعاد الموتر". وقائع مؤتمر ACM لأنظمة التوصية لعام 2008. الصفحات 43-50 . CiteSeerX 10.1.1.217.1437 . doi : 10.1145/1454008.1454017 . ISBN   9781605580937. S2CID 17911131 .