سیستم پیشنهادگر هوشمند چیست و چه کاربردی دارد؟

سیستم پیشنهادگر چیست؟

همان‌گونه که اشاره شد، رشد انفجاری اطلاعاتی که در دسترس کاربران قرار دارد، باعث بروز مشکلاتی مثل سرریز اطلاعات شده است. همین موضوع باعث شده تا کاربران نتوانند در زمان کوتاه و به‌موقع به اطلاعات مدنظر خود دسترسی پیدا کنند. شرکت‌های بزرگی مثل گوگل ابتدا از سامانه‌های بازیابی اطلاعات (Information Retrieval Systems) استفاده می‌کردند که تا حدودی قادر به حل مشکلات بودند، با این‌حال، سیستم‌های فوق، راه‌حل‌های لازم برای اولویت‌بندی و شخصی‌سازی اطلاعات را ارایه نمی‌کردند. بزرگ‌ترین مشکلی که سامانه‌های بازیابی اطلاعات دارند سرریز اطلاعات است، زیرا اطلاعات به‌طور پیوسته تولید می‌شوند و مهم است تنها اطلاعاتی به کاربران نشان داده شود که همسو با سلایق آن‌ها است. بنابراین شرکت‌ها به سراغ سامانه‌های پیشنهادگر رفتند که بر اساس نمایه کاربر (User Profile) توانایی پیش‌بینی سلایق کاربران و نمایش محصولات یا خدمات خاص به کاربران را دارند. در این‌جا نمایه کاربر به مجموعه اطلاعات خاص کاربر یا سامانه‌ای اشاره دارد که کاربر از آن استفاده می‌کند و برخی اطلاعات در ارتباط با جست‌وجوهایی که انجام داده روی آن سامانه ذخیره‌سازی شده‌اند. سامانه‌های پیشنهادگر در زیرمجموعه سامانه پالایش اطلاعات (Information Filtering System) قرار می‌گیرند و تلاش می‌کنند از الگوریتم‌های یادگیری ماشین برای پیش‌بینی علاقه کاربران به محصولات یا خدمات خاص استفاده کنند. به‌طور مثال، در فروشگاه‌های آنلاین بزرگ آمازون، هر زمان کاربر خرید آنلاینی انجام می‌دهد، سامانه پیشنهادگر به او کمک می‌کند تا محصولاتی که برای او مناسب‌تر هستند را انتخاب کند. این سامانه‌ها مثل فروشندگانی هستند که مشتریان همیشگی خود را به خوبی می‌شناسند و بر مبنای این شناخت به آن‌ها پیشنهادهایی برای خرید ارایه می‌کنند. یکی از مولفه‌های مهم در سامانه‌های پیشنهادگر، تابع پیشنهادگر است (Recommender Function) است که اطلاعاتی درباره کاربران دریافت می‌کند و بر مبنای معیارهایی نظیر امتیازهایی که به یک محصول داده‌اند محصولات مشابه یا بهتری را پیشنهاد می‌کند (شکل 1). سامانه‌های پیشنهادگر برای آن‌که بتوانند بهترین نتایج را به کاربران ارایه کنند از تکنیک‌های مختلفی مثل روش‌های یادگیری ماشین، مدل‌سازی کاربر (User Modeling)، استنتاج مبتنی بر مورد (Case-Base Reasonsing)، رضایت محدود (Constraint Satisfaction) و علم داده‌ها (Data Science) استفاده می‌کنند. بد نیست بدانید پیشنهادهای شخصی‌سازی شده از ویژگی‌های شاخص سایت‌های تجارت الکترونیک امروزی مثل آمازون، نتفلیکس و پاندورا هستند. دنیل بورکه (Daniel Burke) متخصص هوش مصنوعی بر این باور است که هر سامانه‌ای که پیشنهادهای شخصی‌سازی شده را به عنوان خروجی ارایه می‌کند یا تاثیری بر هدایت کاربر به یک راه‌حل شخصی‌سازی شده برای محصولات یا خدمات جالب توجه دارد و به کاربر کمک می‌کند در میان انبوهی از انتخاب‌ها، بهترین را برگزیند، یک سامانه پیشنهادگر است. 

شکل 1

چرا از سامانه‌های پیشنهادگر استفاده می‌شود؟

سامانه‌های پیشنهادگر با هدف افزایش فروش با شخصی‌سازی پیشنهادهای ارایه شده به کاربران و بهبود تجربه مشتریان استفاده می‌شوند. این سامانه‌ها سرعت جست‌وجوی کاربران را بیشتر می‌کنند و به کاربران اجازه دسترسی به محتوایی که به آن علاقه دارند را می‌دهند. علاوه بر این، قادر به ارایه پیشنهادهای شگفت‌انگیزی در ارتباط با محصولات و خدمات هستند. سامانه‌های پیشنهادگر یک مزیت رقابتی بزرگ برای سازمان‌ها به وجود می‌آورند تا یک قدم از رقبا جلو باشند و درآمد خود را بیشتر کنند. شرکت‌ها می‌توانند از سامانه‌های پیشنهادگر برای ارسال ایمیل‌هایی که حاوی لینک‌های مرتبط با محصولات یا خدمات پیشنهادی همسو با تمایلات کاربران هستند استفاده کنند. هنگامی که کاربران پیشنهادهایی همسو با علایق خود از شرکت‌ها دریافت می‌کنند، اعتمادشان به شرکت بیشتر می‌شود و احتمال این‌که شرکت را ترک نکرده و به سراغ رقبای دیگر نروند بیشتر می‌شود. 

سامانه‌های پیشنهادگر چه کاربردهایی دارند؟

سامانه‌های پیشنهادگر در حوزه‌های مختلفی استفاده می‌شوند و هم برای عرضه‌کنندگان خدمات و هم برای کاربران مفید هستند. این سامانه‌ها هزینه پیدا کردن و انتخاب محصولات در یک فروشگاه اینترنتی را کم می‌کنند و می‌توانند تاثیر مستقیمی بر تصمیم‌گیری‌های کاربران داشته باشند. با این‌حال، کاربر این سامانه‌ها محدود به تجارت الکترونیک نیست. این سامانه‌ها در کتابخانه‌های علمی به کاربران کمک می‌کنند تا گام‌هایی فراتر از جست‌وجو در برگه‌دان (Catalog Search)  بردارند و دسترسی کاربران به محتوای مدنظرشان را تسریع می‌بخشند. کاربرد دیگر سامانه‌های پیشنهادگر در خدمات چندرسانه‌ای برای پیشنهاد موسیقی یا فیلم و ساخت فهرست‌های پخش برای کاربر است. با این‌حال یکی از تاثیرگذارترین کاربردهای این سامانه‌ها در شبکه‌های اجتماعی است که پیشنهادهای محتوایی جذاب و دقیقی به کاربران می‌دهند. به‌طور مثال، هنگامی که در یوتیوب عبارتی را وارد می‌کنید یا صفحه اصلی یوتیوب را باز می‌کنید ابتدا ویدیوهایی را مشاهده می‌کنید که همسو با سلایق و جست‌وجوهایی هستند که انجام می‌دهید. هنگامی که توییتر را باز می‌کنید ابتدا پست‌های افرادی را مشاهده می‌کنید که ارتباط نزدیکی با فعالیت‌های شما در این شبکه اجتماعی دارند. جالب آن‌که سامانه‌های فوق در خدمات مالی و به ویژه بورس و پیشنهاد خرید سهام نیز استفاده می‌شوند تا به سهام‌داران کمک کنند سهامی که ممکن است بیشتر رشد داشته باشد را خریداری کنند. بدون تردید در چند وقت اخیر شنیده‌اید که برخی از ارزهای دیجیتال به یکباره با کاهش یا افزایش قیمت روبرو شده‌اند یا ارزهای جدیدی مورد توجه کاربران قرار گرفته‌اند. در پس‌زمینه این فراز و نشیب‌ها، این سامانه‌های پیشنهادگر هستند که روی قدرت انتخاب کاربران تاثیر می‌گذارند.

کسب‌وکارها چه زمانی باید به سراغ سامانه‌های پیشنهادگر بروند؟

اکنون که شناخت اولیه در ارتباط با این سامانه‌ها پیدا کردیم، وقت آن رسیده تا درباره زمان مناسب برای استفاده از این سامانه‌ها در کسب‌وکار صحبت کنیم. کسب‌وکارها بدون یک سامانه پیشنهادگر هم می‌توانند موفق باشند و به کار ادامه دهند، اما اگر بخواهند از قدرت پنهان داده‌ها به عنوان راهکاری برای ساخت تجربه کاربری بهتر و بهبود درآمدها استفاده کنند باید به سراغ پیاده‌سازی سامانه‌های پیشنهادگر بروند. اولین پرسشی که مدیران عامل مطرح می‌کنند این است که آیا یک سامانه پیشنهادگر خوب ارزش سرمایه‌گذاری را دارد؟ برای پاسخ به این پرسش باید ببینیم شرکت‌هایی که سامانه‌های پیشنهادگر را پیاده‌سازی کردند چه دستاوردهایی داشته‌اند و سامانه پیشنهادگر چه ارزش افزوده‌ای برای آن‌ها به ارمغان آورده است. گزارشی که موسسه مک‌کنزی در سال 2020 منتشر کرد نشان داد که 35 درصد خریدهای انجام شده از خرده‌فروشی آنلاین آمازون در نتیجه استفاده از سامانه پیشنهادگر بوده و 75 درصد آن‌چه مردم در نتفلیکس مشاهده کرده‌اند بر مبنای توصیه‌های سامانه‌های پیشنهادگر است، به‌طوری که این سامانه سطح درآمدهای نتفلیکس را به میزان قابل توجهی بیشتر کرده است. آماری که علی‌زیلا (Alizila) در جشنواره خرید سراسری چین در سال 2016 منتشر کرد نشان داد که شرکت علی‌بابا با استفاده از صفحات فرود شخصی‌سازی شده (Landing) رشد 20 درصد در نرخ تبدیل‌ها (Conversion Rate) را شاهد بوده است. گوگل می‌گوید: «سامانه‌ پیشنهادگری که استفاده می‌کند به میزان 70 درصد حضور کاربران در یوتیوب را بیشتر کرده است.» مک‌کنزی در نهایت به این نکته اشاره کرد که سامانه‌های پیشنهادگر فروش را به میزان 20 درصد و سودآوری را به میزان 30 درصد افزایش می‌دهند.

برای پیاده‌سازی یک سامانه پیشنهادگر به چه ملزوماتی نیاز است؟

داده‌ها مهم‌ترین دارایی‌های هر سازمانی هستند. هر چه مجموعه داده‌هایی که یک کسب‌وکار دارد بیشتر و بزرگ‌تر باشند، عملکرد سامانه‌های پیشنهادگر دقیق‌تر خواهد بود و خروجی‌های دقیق‌تر و درست‌تری ارایه می‌کنند. علاوه بر این، کسب‌وکارها اطمینان خواهند داشت که تیم توسعه‌دهنده سامانه‌ پیشنهادگر داده‌هایی دارند که می‌توانند برای تحلیل و پردازش آن‌ها از تکنیک‌های یادگیری ماشین و علم داده‌ها در جهت ارزش‌آفرینی برای کسب‌وکار استفاده کنند. اگر فراداده‌ها (Meta Data) تنها چیزی است که کسب‌وکار دارد، می‌توان از تکنیک محتوامحور (Content-Base) در ساخت سامانه‌های پیشنهادگر استفاده کرد. اگر کسب‌وکار داده‌های مربوط به تعداد زیادی از تعاملات کاربر با اقلام (User-Item Interaction) دارد، می‌توان از تکنیک پالایش گروهی (Collaborative Filtering) برای ساخت این سامانه‌ها استفاده کرد. در ارتباط با داده‌های مربوط به تعاملات کاربر-اقلام باید به دو نکته مهم زیر دقت کنید:

• تعاملات باید با توجه به نوع سیستم تعریف شوند تا داده‌ها قابل استخراج باشند. به‌طور مثال، اگر کاربر از یک وب‌سایت تجارت الکترونیک استفاده می‌کند، تعاملات می‌توانند شامل کلیک روی خدمات یا محصولات، جست‌وجوها، بازدیدها، اقلام مورد علاقه، خریدها، امتیازدهی‌های صریح، اقلام در سبد خرید و محصولات خارج شده از سبد خرید و موارد این چنینی باشند. 
• تعاملات را می‌توان به‌شکل صریح یا ضمنی تعریف کرد. تعاملات صریح به مواردی مثل زمانی که کاربر تمایل مثبت یا منفی نسبت به یک محصول یا سرویس نشان می‌دهد، به محصولی امتیاز می‌دهد یا نقطه نظرات خود برای یک محصول را درج می‌کند اشاره دارند. تعاملات ضمنی به اقدامات انجام شده توسط کاربران اشاره دارند. به‌طور مثال، جست‌وجوها یا خرید محصول توصیف‌کننده علایق کاربر هستند. 

سامانه‌های پیشنهادگر چگونه کار می‌کنند؟

سامانه پیشنهادگر با جمع‌آوری اطلاعاتی پیرامون کاربر، محصولات و سرویس‌ها و دریافت بازخوردهای صریح و ضمنی از کاربر یاد می‌گیرد که چگونه پیش‌بینی کند و بر این اساس، توصیه‌هایی به کاربر می‌کند. به‌طور معمول یک سامانه پیشنهادگر بر مبنای یک چرخه شش مرحله‌ای جمع‌آوری اطلاعات، بازخورد صریح، بازخورد ضمنی، بازخورد ترکیبی، یادگیری و پیش‌بینی/پیشنهاد کار می‌کند. 

جمع‌آوری اطلاعات: در این مرحله دو احتمال وجود دارد. اول این‌که فرایند تولید داده تحت کنترل یک متخصص (مدل‌ساز) است که به عنوان رویکرد آزمایش طراحی شده شناخته می‌شود. دومین احتمال زمانی است که متخصص بر روند تولید داده‌ها تاثیرگذار نیست که رویکرد فوق به عنوان روش مشاهدات عینی شناخته می‌شود. رویکرد مشاهده عینی همان‌گونه که از نامش پیدا است به فرایند تولید داده‌های تصادفی اشاره دارد. یک توزیع نمونه‌برداری/نمونه‌گیری (sampling distribution)، یک توزیع احتمالی آماری است که تعداد بیشتری نمونه از یک جمعیت خاص را جمع‌آوری می‌کند. توزیع جمعیت یکی از مباحث مهم آمار است که به توزیع تمام مشاهدات امکان‌پذیر اشاره دارد و در تعامل با توزیع فراوانی است که نوعی خلاصه‌سازی غنی از داده‌ها است. توزیع فراوانی با طبقه‌بندی مشاهدات قادر است مشاهدات را بر حسب هر رده به شکل درصد یا مقداری توصیف کند. 

بازخوردها: بازخوردهای صریح، ضمنی و ترکیبی الگویی تقریبا مشابه دارند و بر مبنای مشاهدات (observational)، داده‌هایی که از طریق بانک‌های اطلاعاتی، انباره‌های داده و داده‌گا‌‌ه‌های (Data Mart) موجود جمع‌آوری می‌شوند کار می‌کنند. به‌طور کلی الگوریتم‌های پیشنهادگر بر مبنای منبع دانشی که از آن استفاده می‌کنند طبقه‌بندی می‌شوند. در این ارتباط سه منبع دانش زیر وجود دارد:

• دانش اجتماعی پیرامون منابع کاربرمحور (User-Base).
• دانش فردی پیرامون کاربر خاص که پیشنهادهای قابل ارایه به او قابلیت جست‌وجو دارند. 
• دانش محتوایی پیرامون محصولات و خدماتی که پیشنهاد می‌شوند که ممکن است فهرستی از ویژگی‌های ساده، دانش هستی‌شناختی و دانش Means-Ends باشند که سیستم می‌تواند به پیش‌بینی محصولات یا خدماتی بپردازند که نیازهای کاربر را برطرف می‌کنند. 

 به‌طور معمول، بازخوردها از دو مرحله شناسایی داده‌های پرت و حذف آن‌ها (Outlier detection and remove) که شامل شناسایی و سرانجام حذف داده‌های پرت و طراحی روش‌های مدل‌سازی قدرتمندی که نسبت به داده‌های پرت حساس هستند و گسترش‌پذیری، کدگذاری و انتخاب ویژگی‌ها (Scaling, encoding, and selecting features) تشکیل می‌شوند. بازخوردها شامل مراحل چندگانه‌ای نظیر مقیاس‌بندی متغیر و انواع مختلف کدگذاری‌ها است. علاوه بر این، روش‌های کدگذاری خاص‌منظوره با ارایه تعداد کمتری ویژگی‌ مفید و کاربردی سعی می‌کنند ابعاد داده‌هایی که قرار است در مدل‌سازی استفاده شوند را کاهش دهند. موارد یاد شده تنها بخش کوچکی از فعالیت‌های پیش‌پردازشی هستند که در یک سامانه پیشنهادگر انجام می‌شود. بازخوردها نباید به‌طور کامل مستقل از سایر مراحل انجام شوند و به‌طور معمول چند مرتبه تکرار می‌شوند. در هر تکرار ممکن است مجموعه داده‌ها بهبود یافته یا مجموعه داده‌های جدیدی برای تکرارهای بعدی تعریف شوند. مرحله یادگیری به انتخاب و پیاده‌سازی تکنیک مناسبی که قرار است الگوریتم هوشمند را پیاده‌سازی و مدل‌سازی کند اشاره دارد. در این مرحله پیاده‌سازی بر مبنای چند مدل انجام می‌شود تا بهترین مدل انتخاب شود. پیش‌بینی و پیشنهاد با هدف کمک به کسب‌وکارها در اخذ تصمیمات راهبردی تعریف می‌شوند. به همین دلیل باید قابلیت تفسیر‌پذیری داشته باشند. در بیشتر موارد، کاربران تمایلی ندارند تا تصمیمات خود را بر مبنای مدل‌های پیچیده‌ای اتخاذ کنند که هیچ‌گونه شناختی در مورد آن‌ها ندارند و در اصطلاح تخصصی به آن‌ها جعبه سیاه (Black-Box) گفته می‌شود. به‌طور معمول، مدل‌های ساده تفسیر‌پذیرتر هستند، اما دقت کمتری دارند. مشکل تفسیر این مدل‌ها که باید به آن دقت کنید این است که به تکنیک‌های خاص و انجام کار جداگانه‌ای برای اعتبارسنجی نتایج نیاز دارند. کاربران تمایلی ندارند صدها صفحه نتایجی که به آمارها و ارقام مختلف اشاره دارند را مشاهده کنند. علاوه بر این، کاربران عادی قادر به درک نتایج نیستند، دانش کافی برای خلاصه‌سازی، تفسیر و به‌کارگیری نتایج با هدف اخذ تصمیمات مهم را ندارند و تنها چیزی که برای آن‌ها مهم است خروجی کار است. 

چگونه داده‌ها را برای سامانه‌های پیشنهادگر آماده کنیم؟

داده‌ها را به روش‌ها و قالب‌های مختلفی می‌توان آماده کرد، با این‌حال دو روش کلی رتبه‌بندی صریح (Explicit Rating) و رتبه‌بندی ضمنی (Implicit Rating) به‌شکل گسترده‌ای استفاده می‌شود. رتبه‌بندی صریح توسط کاربران انجام می‌شود و سیستم پیشنهادگر نظرات کاربران را استخراج می‌کند. از مثال‌های روشن در این زمینه باید به رتبه‌بندی با دادن ستاره، نوشتن نقد و بررسی، بازخوردها، لایک‌ها و دنبال کردن اشاره کرد. رتبه‌بندی ضمنی هنگامی استفاده می‌شود که کاربران با محصولات و خدمات در تعامل هستند، در این حالت سامانه‌های پیشنهادگر رفتار کاربر را حدس می‌زنند. این‌کار بر مبنای کلیک‌های خودآگاه و ناخودآگاه کاربر روی محصولات یا خدمات انجام می‌شود و یک فرایند نسبتا ساده است. از مثال‌های روشن در این زمینه باید به کلیک‌ها، بازدیدها و خریدها اشاره کرد. با این‌حال، هر دو روش وجوه اشتراکی دارند و به بیان دقیق‌تر مبتنی بر سنجه‌های هستند که معیارهای مشابهت نام دارند. معیارهای مشابهت، سنجه‌هایی در سنجش فاصله هستند، به‌طوری که نزدیک‌ترین نقاط به یکدیگر که بیشترین شباهت را دارند و دورترین نقاط که کمترین مشابهت با یکدیگر دارند را بررسی می‌کنند. از رایج‌ترین معیارهای مشابهت که در زمینه طراحی سامانه‌های پیشنهادگر استفاده می‌شوند باید به فاصله مینکوفسکی (Minkowski Distance)، فاصله منهتن (Manhattan Distance)، فاصله اقلیدسی (Euclidean Distance)، فاصله همینگ (Hamming Distance)، شباهت کسینوسی (Cosine Similarity)، ضریب همبستگی پیرسون (Pearson Coefficient) و شاخص ژاکارد (Jaccard Index) اشاره کرد. 

سامانه‌ها پیشنهادگر به چند گروه تقسیم می‌شوند؟

سامانه‌های پیشنهادگر به سه گروه اصلی روش پالایش ترکیبی، پالایش گروهی و پالایش مبتنی بر محتوا تقسیم می‌شوند که در این زمینه روش پالایش گروهی به دو زیرمجموعه روش مبتنی بر حافظه و مبتنی بر مدل تقسیم می‌شود. توضیح هر یک از این روش‌ها به شرح زیر است:

• سامانه‌ پیشنهادگر مبتنی بر محتوا: این سامانه‌ها پیشنهاد را با استفاده از ویژگی‌های اقلام کاربر و پروفایل او ارایه می‌کنند. به‌طور مثال، اگر کاربری در گذشته به محصول یا سرویسی علاقه‌مند بوده باشد، فرض می‌کنند در آینده نیز ممکن است دومرتبه به این محصول علاقه‌مند شود. در این حالت، اقلام مشابه بر مبنای ویژگی‌هایی که دارند گروه‌بندی می‌شوند. در این زمینه پروفایل‌های کاربران نقش کلیدی دارند، زیرا با استفاده از تعاملات تاریخی یا مطرح کردن پرسش‌های صریح از کاربران و پاسخی که آن‌ها می‌دهند، علاقه‌مندی‌های آن‌ها مشخص می‌شود. 
• سامانه‌های پالایش گروهی: پالایش گروهی یکی از پر استفاده‌ترین تکنیک‌ها در طراحی و ساخت سامانه‌های پیشنهادگر است و به‌طور معمول، نتایج بهتری نسبت به سامانه‌های مبتنی بر محتوا ارایه می‌کنند. از سایت‌های معروفی که از این سامانه‌ها استفاده می‌کنند باید به یوتیوب و نتفلیکس اشاره کرد. این سامانه‌ها تعاملات کاربر را با بهره‌گیری از ماتریسی بصری‌سازی می‌کنند و در ادامه از تکنیک‌های دسته‌بندی و رگرسیون استفاده می‌کنند (شکل 2).
• روش مبتنی بر مدل: این روش مبتنی بر یادگیری ماشین و داده‌کاوی است. در روش فوق هدف آموزش مدل‌هایی است که توانایی پیش‌بینی دارند. مزیت اصلی روش فوق این است که می‌تواند محصولات و خدمات زیادی را به کاربر پیشنهاد دهد و به همین دلیل عملکرد بهتری نسبت به نمونه‌های دیگر دارد.

شکل 2