آشنایی با «سیستم‌های پیشنهاد دهنده» و جایگاه آن‌ها در وب آینده

نسل جدید برنامه‌های تحت وب به عنوان «سیستم‌های پیشنهاد دهنده» (Recommender Systems) شناخته می‌شوند. این برنامه‌ها به کمک انباشت و گردآوری مشخصات کاربران و دسته‌بندی سلایق و آمارگیری از علاقه‌مندی‌های آن‌ها، به کاربران پیشنهاداتی می‌دهند که احتمالا مورد علاقه آن‌ها خواهد بود. این پیشنهادات می‌تواند در زمینه معرفی فیلم، کتاب، موسیقی، تصویر، خبر، صفحات وب‌ و یا موارد دیگر باشد.

یک «سیستم‌ پیشنهاد دهنده» با گردآوری مداوم اطلاعات از رفتار هزاران هزاران کاربر و به کارگیری شیوه‌های «داده کاوُشی» (Data Mining) می‌تواند «روند»ها را تشخیص داده و به «کاربر نوعی» پیشنهاد کند چه موسیقی گوش دهد یا چه مطلبی بخواند.

اگر تا به حال حدس نزده‌اید، اجازه دهید تاکید کنم که تقریبا همه ما به نوعی با «سیستم‌های پیشنهاد دهنده» آشنا هستیم و دست‌کم با یکی از انواع موجود آن کار کرده‌ایم. بالاترین؟‌ بله درست حدس زدید. وب‌گاه‌هایی مانند بالاترین یا نمونه‌های بین‌المللی آن مانند digg.com و reddit.com در واقع سیستم‌های پیشنهاد دهنده‌ای هستند که با گردآوری و برآیندگیری از نظرات کاربران، اطلاعات را با کاربرد «هوش جمعی» فیلتر می‌کنند و در اختیار مخاطب علاقه‌مند قرار می‌دهند. به این کار «تصفیه اطلاعات با همکاری گروهی» (Collaborative Filtering) می‌گویند.

اما digg و بالاترین از اطلاعات کاربران استفاده محدودی می‌کنند. کاربران در واقع با رای‌های خود به سیستم معرفی می‌شوند و در حال حاضر امکان تفکیک و دسته‌بندی اطلاعات بر اساس سلیقه کاربران وجود ندارد.

درگاه‌های ورودی وب آینده:

اگر در وب‌ کلاسیک،‌ درگاه‌های ورودی کاربران به دنیای وب، جستجوگرهایی بودند که فقط بر اساس کلیدواژه، وب را دسته‌بندی می‌کردند، در وب‌ آینده (وب مفهومی)، کاربران برای شروع تجربه وب‌گردی خود به جای جستجوی تصادفی و کور، به «وب‌گاه‌های پیشنهاد دهنده» مراجعه می‌کنند تا از وقت و فرصت خود در وب بهتر استفاده کنند.

تصور کنید شما علاقه‌مندید درباره اخبار علمی بیشتر بخوانید. به نظر شما جستجو در موتور جستجو با کلیدواژه «علم» مفیدتر و سریع‌تر است یا ورود به صفحه «علم و فن» در سایت StumbleUpon.com؟

البته همان‌طور که گفتم هنوز وب‌گاه‌های مانند digg یا StumbleUpon از لحاظ کیفیت و دقت طبقه‌بندی اطلاعات و پیشنهاداتی که می‌دهند بسیار محدود هستند. اما این تازه آغاز داستانی است که به وب مفهومی ختم می‌شود. صبور باشید…

مزایای استفاده از سیستم‌های‌ پیشنهاد دهنده

• مبتنی بر بودن بر اطلاعات زنده و واقعی: مهمترین مزیت سیستم‌های پیشنهاد دهنده این است که بر اساس فعالیت کاربران و گردآوری رفتار و سلایق آن‌ها عمل می‌کند. به این ترتیب پیشنهاد آن‌ها بر اساس حدس و گمان نمی‌باشد.
• عالی برای اکتشاف فضاهای جدید: با استفاده از سیستم‌های پیشنهاد دهنده می‌توانید به فیلم‌ها، تصاویر و خلاصه کلام مطالبی دست یابید که در حالت عادی شاید هرگز به ‌آن‌ها نمی‌رسیدید. به این ترتیب افق کاربری شما در وب گسترش می‌یابد و به جای اتلاف وقت و انرژی برای جستجوی کور و تصادفی در جستجوگرهای وب، وقت خود را صرف استفاده مفید از مطالب جدید خواهید کرد.
• تنظیم شده با خصوصیت‌های فردی شما: شما توصیه دوستان نزدیک و اعضای خانواده خود را به خاطر شناخت عمیقی که از شما دارند جدی می‌گیرید. چرا شما به نظر آن‌ها اعتماد می‌کنید؟ چون نظر آن‌ها مبتنی بر شناختی است که از شما دارند. به همین ترتیب می‌توانید به پیشنهاد سیستم‌هایی که از خلق و خوی شما آگاهی نسبی بیشتری دارند اطمینان بیشتری داشته باشید. این در حالی است که در وب‌ 1.0 پیشنهادات به صورت تصادفی و در غالب تبلیغات کور به شما ارائه می‌شد که طبیعتا با ضریب اطمینان بسیار پایینی از سوی شما مواجه می‌شد.
• همیشه به-روز و جدید بمانید: با استفاده از «هوش جمعی» که چکیده رفتار هزاران کاربر مانند خود شماست، می‌توانید از جدیدترین و داغ‌ترین اتفاقات در زمینه‌های مورد علاقه‌تان با خبر بمانید.
• کاهش هزینه نگهداری سازمانی: در سیستم‌های پیشنهاد دهنده، با توجه به این‌که کاربران اطلاعات را بر اساس سلایق خود شکل می‌دهند، دستکاری و مدیریت اطلاعات وب‌گاه و به‌-روزرسانی آن توسط خود کاربران انجام می‌شود. به این ترتیب هزینه نگهداری و سازماندهی وب‌گاه در مقایسه با وب‌گاه‌های سنتی بسیار کمتر است.

انواع سیستم‌های پیشنهاددهنده

سیستم‌های پیشنهاد دهنده به سه دسته اصلی تقسیم می‌شوند:

• پیشنهاد بر اساس همکاری گروهی (collaborative): متداول‌ترین شیوه است و فرض آن بر این است که الگوی مورد پسند همگان در گذشته، احتمالا هم‌اکنون نیز مورد پسند است.
• پیشنهاد بر اساس محتوی (content-based): به کمک فهرست‌سازی و شیوه‌های تحلیل محتوی، کلید‌واژه، برچسب گذاری، تهیه گراف از مطالب مرتبط و … سعی در ایجاد ارتباط مفهومی میان مطالب موجود و مطلبی که مورد علاقه شماست می‌کند.
• پیشنهاد بر اساس تلفیق محتوی و همکاری گروهی (hybrid): استفاده از هر دو تکنیک فوق

معرفی چند نمونه

شخصا اعتقاد به آموزش به صورت پایه‌ای دارم و بنابراین در این پست قصدم آشنا کردن شما با مفهوم «سیستم‌های پیشنهاد دهنده» و اهمیت فوق‌العاده زیاد آن‌ها در وب آینده است و نه معرفی چند وب‌گاه. با این وجود خالی از لطف نیست اگر چند نمونه از وب‌گاه‌های نسل جدید را این‌جا معرفی کنیم:

• Last.fm: سیستم پیشنهاد دهنده موسیقی. در این وب‌گاه مشترک شوید و نرم‌افزار مربوط به آن را در دستگاه خود نصب نمایید. از این به بعد هر آهنگی که در Windows Media Player و یا i-Tunes و یا از طریق خود Last.fm گوش دهید در پروفایل شما ذخیره می‌شود. کم‌کم Last.fm سلیقه موسیقایی شما دستش می‌آید و با انجام کمی «داده کاوشی» و مقایسه سلیقه شما با سلیقه هزاران کاربر دیگر به شما موسیقی‌های جدیدی برای گوش دادن پیشنهاد می‌کند. اما می‌توانید بدون این‌که مشترک Last.fm هم باشید اطلاعات جالبی بدست آورید. مثلا می‌توانید بفهمید کاربرانی که به Pink Floyd علاقه‌مند هستند، Led Zeppelin یا The Doors نیز گوش می‌دهند! و این اطلاعاتی است که از تحلیل مستقیم سلایق کاربران به دست آمده است!

Last.fm وب‌سایتی برای آینده است. در دنیای وب مفهومی منتظر ظهور روزافزون وب‌گاه‌هایی مانند آن باشید. در Last.fm برایند شگفت‌انگیز سلیقه‌های هزاران کاربر را در موسیقی ببینید.

• Amazon: سیستم پیشنهاد دهنده کتاب
• Yahoo Movies, imdb, Netflix: سیستم‌پیشنهاد دهنده فیلم
• flickr explor: سیستم‌ پیشنهاد دهنده عکس‌‌های برگزیده
• Google‌ News: سیستم پیشنهاد دهنده اخبار
• Facebook: این قابلیت را دارد که به عنوان سیستم پیشنهاد ‌دهنده دوست عمل کند.
• بالاترین , StumbleUpon, Digg: سیستم‌های پیشنهاد دهنده برای اکتشاف وب
• Phototree: سیستم پیشنهاد دهنده عکس. پس از ثبت‌نام در چرخیدن در این وب‌گاه و انتخاب چند عکس مورد علاقه‌تان، Phototree با توجه به سلیقه شما، عکس‌های بیشتری را پیشنهاد می‌کند.
• del.ici.us popular: گردآوری محبوب‌ترین لینک‌های کاربران
• AmphetaRate: گردآوری و پیشنهاد RSS (در این‌باره در آینده حتما می‌نویسم. فوق‌العاده است!)
• Google Reader Discover: سیستم پیشنهاددهنده RSS

اخیرا گوگل ریدر هم اقدام به اضافه کردن سیستم پیشنهاد دهنده کرده است. به این ترتیب آمار و اطلاعات مربوط به مطالبی که مطالعه می‌کنید را گردآوری کرده و به شما پیشنهاداتی جهت مطالعه بیشتر می‌کند.

خلاصه کلام

با توجه به افزایش روزافزون و در واقع سرسام‌آور اطلاعات و مطالب جالب دیدنی یا خواندنی شاهد حضور رو به افزایش «سیستم‌های پیشنهاد دهنده» به عنوان «فیلترهای هوشمند اطلاعات» خواهیم بود. گامی دیگر به سوی وب مفهومی.

مطالعه بیشتر

• سیستم‌های پیشنهاد دهنده: ویکی‌پدیا
• تصفیه اطلاعات با همکاری گروهی: ویکی‌پدیا
• تصفیه اطلاعات با همکاری گروهی: پرینسیپیا سایبرنتیکا
• هوش جمعی: ویکی‌پدیا
• ببینید و یاد بگیرید: سیستم‌های پیشنهاد دهنده وب را از نو تعریف می‌کنند
• به سوی نسل جدید سیستم‌های پیشنهاد دهنده: IEEE