سیستم توصیه گر چیست؟ | موتورهای پیشنهاددهنده چگونه کار می‌‌کنند؟

حتماً تا کنون پیش آمده که تصمیم گرفته باشید به یک رستوران جدید بروید یا آخر هفته را به دیدن فیلم بگذرانید و چون گزینه‌ای در ذهن نداشته‌اید، از دوستان نزدیک خود خواسته باشید چند گزینه به شما پیشنهاد دهند.

هم‌چنین اگر مشتری قدیمی سوپرمارکت محله‌تان باشید، احتمالاً پیش آمده که فروشنده محصولی را که تا امروز نخریده‌اید به شما پیشنهاد دهد. مثلاً چون همیشه ماست کم‌چرب می‌خرید، بگوید که ماست تازه‌ای آمده که کم‌چرب و خوشمزه است.

و نیز احتمالاً برایتان پیش آمده که از کتابی که پسندیده‌اید برای دوست‌تان حرف بزنید و او کتاب مشابهی را به شما پیشنهاد کرده باشد. مثلاً اگر قلعه حیوانات را خوانده باشید، به احتمال زیاد از شما می‌پرسد: «آیا کتاب ۱۹۸۴ را هم خوانده‌ای؟» و اگر از کتاب ۱۹۸۴ حرف زده باشید ممکن است بگوید: «اگر ژانر دیستوپیا را می‌پسندی، دنیای قشنگ نو را هم بخوان.»

مثال‌های بالا، همگی نمونه‌هایی از استفاده از توصیهٔ دیگران هستند. واقعاً‌ نمی‌شود زندگی را بدون رد و بدل کردن این نوع پیشنهادها تصور کرد.

اما اتفاق عجیبی که در دهه‌های اخیر افتاده این است که ما بسیاری از توصیه‌ها را دیگر از دوستان، آشنایان و انسان‌های دیگر نمی‌شنویم. به‌علت افزایش حجم داده‌های در دسترس (چه در مقیاس‌های کوچک‌تر و چه در سطح کلان داده) و امکان پردازش آن‌ها، عملاً الگوریتمها و سیستمهای مبتنی بر علم داده، یادگیری ماشین و هوش مصنوعی هستند که قدرت را در دست گرفته‌اند و گزینه‌های مختلف را به ما پیشنهاد می‌دهند:

• موتورهای جستجو مانند گوگل به ما می‌گویند که کدام صفحات در وب را بخوانیم.
• فروشگاه‌های آنلاین مثل آمازون و دیجی‌کالا پس از خریدن موبایل یا لپ‌تاپ، فهرستی از محصولات جانبی را به ما پیشنهاد می‌کنند.
• شبکه های اجتماعی مانند لینکدین، فیسبوک و اینستاگرام به ما دوستان و رابطه‌های تازه پیشنهاد می‌کنند.
• شبکه‌های اجتماعی به ما محتواهای تازه پیشنهاد می‌کنند (مثلاً بخش اکسپلور در اینستاگرام)
• سایت‌های خبری زیر هر یک از اخبارشان، چند خبر مرتبط را پیشنهاد می‌کنند.

ما هم به عنوان کاربر، بازدیدکننده و مشتری، از این نوع پیشنهادها استقبال می‌کنیم. چون می‌دانیم که آن‌قدر گزینه‌ها زیاد شده و دست‌مان در انتخاب باز است، که اگر فرد یا سیستمی ما را راهنمایی نکند، در دریایی از گزینه‌ها غرق می‌شویم.

اهمیت پیشنهادها آن‌قدر زیاد شده که بدون اغراق می‌توان گفت:‌ موفقیت و شکست بسیاری از کسب‌و‌کارهای دیجیتال، تابع این است که بتوانند پیشنهادهای مناسبی به کاربران و مشتریان خود ارائه کنند.

این نیاز، یعنی نیاز به دریافت پیشنهاد، پایهٔ شکل‌گیری ابزاری شده که امروزه به اسم‌هایی مانند «موتور توصیه‌گر»، «سامانه توصیه گر» و «سیستم پیشنهاددهنده» شناخته می‌شود (در انگلیسی recommendation engine یا recommender system).

در این درس می‌خواهیم به زبان ساده و همراه چند مثال روزمره با مفهوم، نحوه عملکرد و انواع موتورهای توصیه گر آشنا شویم.

تعریف موتور توصیه‌گر

احتمالاً با همین مثال‌هایی که تا این‌جا گفته شد، مفهوم موتور توصیه‌گر برای شما شفاف شده است. با این حال، بهتر است تعریفی دقیق‌تر و رسمی‌تر از این سیستم‌ها هم ارائه کنیم:

بنابراین می‌توان گفت سیستم‌های توصیه‌گر می‌خواهند به صاحبان کسب‌و‌کارها کمک کنند تا به‌جای پیشنهاد چشم‌بسته، «بهترین پیشنهاد‌ها» را به مخاطبان و مشتریان خود ارائه دهند. بهترین پیشنهاد هم قطعاً پیشنهادی است که – با الهام از فیلم پدرخوانده – مشتری نتواند آن را رد کند!

به همین علت،‌ گاهی اوقات موتورهای توصیه‌گر را «موتورهای پیش‌بینی» هم می‌نامند:

مزایای موتورهای توصیه‌گر

با توضیحاتی که گفته شد، به‌سادگی می‌توانید مزایای استفاده از موتورها یا سیستم‌های توصیه‌گر را حدس بزنید.

این سیستم‌ها رضایت کاربران را افزایش می‌دهند. چون پیشنهادهایی که ارائه می‌‌دهند که برای کاربر جذاب‌تر است. به زبان امروزی می‌توان گفت:  با استفاده از شخصی‌سازی تجربه کاربری را بهتر می‌کنند (تفاوت شخصی‌سازی و سفارشی‌سازی چیست؟).

علاوه بر این، طبیعتاً با ارائه‌ی پیشنهادهای مرتبط، فروش را افزایش می‌دهند (یا در سایت‌های محتوامحور، مخاطب را بیشتر درگیر می‌کنند). همین رضایت بیشتر معمولاً به افزایش وفاداری مشتریان هم تبدیل می‌شود. ضمن این‌که سیستم‌های توصیه‌گر به شناخت بهتر سلیقهٔ مشتریان/کاربران/بازدیدکنندگان کمک می‌‌کنند. از این شناخت بهتر می‌توان برای تعیین و تدوین استراتژی استفاده کرد و در دوراهی‌های حساس برای تصمیم‌گیری‌های مدیریتی بهره برد.

همهٔ این موارد را می‌توان چنین جمع‌بندی کرد که سیستم‌های توصیه‌گر مشتری و کسب‌و‌کار را به هم نزدیک‌تر می‌کنند و رابطهٔ صمیمی‌تری میان این دو شکل می‌دهند.

یک سیستم توصیه گر چگونه کار می‌‌کند؟

بیایید کمی به همان موضوع موضوع انتخاب کتاب، که درس را با آن آغاز کردیم، فکر کنیم. فرض کنید یک سایت کتابفروشی آنلاین دارید و یکی از بازدیدکنندگان سایت در حال بازدید صفحهٔ مربوط به کتاب اثر مرکب است. شما قرار است یک سیستم توصیه‌گر طراحی کنید که زیر همین صفحه کتاب‌های دیگری را به او معرفی کند. کتابهای پیشنهادی‌تان را بر چه اساسی انتخاب می‌کنید؟

در ادامه چند نمونه از رایج‌ترین روش‌ها را – به‌شکلی ساده شده – با هم مرور می‌کنیم. لازم به تأکید است که این روش‌ها کاملاً مستقل نیستند و گاهی با یکدیگر همپوشانی دارند:

کدام فرمول؟ کدام روش محاسبه؟‌

توجه کنید که آن‌چه گفتیم، مقدمه‌ای بسیار ساده‌شده دربارهٔ سیستمهای توصیه‌گر است و با این مقدمه صرفاً می‌توان مفهوم سیستمهای توصیه گر را متوجه شد. اما دنیای سیستمهای توصیه گر آن‌قدر پیچیده است که اگر بخواهید در زمینه‌اش فعالیت کنید، یک عمر کامل هم برایش کافی نیست.

 مثلاً به کلمهٔ «شبیه» توجه کنید. وقتی می‌گوییم کتابی شبیه کتاب الف به او پیشنهاد شود، فرمول دقیق اندازه‌گیری و قضاوت دربارهٔ شباهت چیست؟  یا وقتی می‌گوییم وزن دادن به فیلتر محتوایی و ترکیب کردن آن با فیلتر همکاری جمعی دقیقاً منظورمان چه نوع وزن دادنی است؟ آیا قرار است این‌ها فقط با یک ضریب با هم جمع شوند؟‌ یا روش‌های پیچیده‌تری به‌کار گرفته می‌شود؟

برای پاسخ دادن به این سوال، چاره‌ای نیست جز این‌که با دنیای جبر خطی، آمار، احتمال و هندسه – که معمولاً اغلب مردم دوست‌شان ندارند – آشنا باشید (آشتی کنید).

به‌عنوان نمونه برای محاسبه شباهت، معیارهای متنوعی مانند فاصله کسینوسی، فاصله اقلیدسی و ضریب همبستگی به‌کار می‌رود. برای ترکیب نتایج الگوریتم‌های مختلف هم جعبه‌ابزار متنوعی از الگوریتم‌ها و تکنیک‌ها وجود دارد که از جملهٔ آن‌ها می‌توان به تقویت گرادیان (gradient boosting)، جنگل‌های تصادفی (random forrests)، استکینگ (stacking)، بگینگ (bagging) و رأی‌گیری (voting) استفاده کرد.

ما فعلاً کاری به این الگوریتم‌ها و جزئیات‌شان نداریم. اما مهم است به‌خاطر داشته باشید که طراحی و پیاده‌سازی یک سیستم توصیه‌گر، صرفاً‌ یک کار نرم‌افزاری نیست. بلکه خود یک «مسئله‌ی ریاضی (بهینه‌سازی ترکیبی از چند هدف)» است که باید با دقت، جدیت و ظرافت «حل» شود.

ترتیبی که متمم برای خواندن مطالب سری علم داده به شما پیشنهاد می‌کند: