سیستم های توصیه گر

هدف سیستم‌های توصیه‌گر Recommended System ارائه پیشنهاد و توصیه به مخاطب، در راستای نیاز او است. هر مجموعه و کسب‌وکاری که تنوع بالایی در محصولات و خدمات دارد برای ارائه خدمات و محصولات خود به مخاطب، باید از سیستم‌های توصیه‌گر استفاده کند. این فرایند در کسب‌وکارهای سنتی به صورت دستی و سنتی انجام می‌شود و در کسب‌وکارهای نوین با استفاده از داده‌های کاربر و اطلاعات محصول انجام می‌شود.

محصولات مرتبطی که در فروشگاه‌های بزرگی مانند گوگل پلی، آمازون و دیجیکالا به شما پیشنهاد می‌شود از این سیستم توصیه‌گر استفاده می‌کنند. علم داده به شرکت‌ها کمک می‎کند تصمیمات بهتری بگیرند. سیستم‌های توصیه‌کننده ابزارهایی هستند برای تعامل با فضاهای اطلاعاتی بزرگ و پیچیده و اولویت‌بندی مواردی که در این فضاها طراحی شده‌اند و احتمالاً مورد علاقه کاربر هستند.

انواع سیستم‌های توصیه‌گر

1. محتوا محور Content Based: موتور توصیه‌گر، محتوا و فیچرهای محصولات یا خدمات شما را بررسی می‌کند و شباهت بین آنها را بر مبنای محتوا مشخص می‌کند.

2. براساس فیلترینگ مشارکتیCollaborative Filtering: در این حالت از دادۀ کاربرانی که سلیقۀ مشابه هم دارند استفاده می‌شود و سلایق مشترک کاربران به آنها پیشنهاد می‌شود. بعضی مدل‌ها هم به‌صورت هیبریدی از مدل محتوا محور و مشارکتی استفاده می‌کنند.

3. دانش محور Knowledge Based: این روش از شبکه عصبی برای پیشنهاد به کاربر استفاده می‌کند.

در این روش سلیقه مشتریان و اطلاعات در کنار هم مورد استفاده قرار می‌گیرد و فرق آن با روش هیبریدی این است که تصمیم‌گیری بر مبنای شبکه عصبی انجام می‌شود.

Cold start

وقتی مخاطب برای اولین بار وارد سایت شما می‌شود و هیچ اطلاعاتی از سلیقه او ندارید Cold start به وجود می‌آید. شروع سرد یک مشکل بالقوه در سیستم‌های اطلاعاتی مبتنی بر علم داده است و سیستم نمی‌تواند درباره کاربرانی که هنوز اطلاعات کافی در مورد آنها جمع آوری نکرده است، استنباطی داشته باشد.

پرسش و پاسخ شرکت‌کنندگان دوره

خلاصه موضوعات ویدئو