بررسی سیستم های توصیه گر جهت انتخاب کارآمدترین الگوریتم پیشنهاددهنده

امروزه باتوجه به افزایش میزان تنوع در محصولات و نیازهای مشتریان و همچنین هزینه های فزاینده ای که برای ذخیره و پردازش داده ها وجود دارد، شخصی سازی پیشنهادها از اهمیت ویژه ای برخوردار است؛ زیرا تخصیص درست محصولات به مشتریان علاوه بر رضایت مشتری، بهره وری فروشندگان را به طور چشمگیری افزایش می دهد. این سیستم ها علاوه بر اینکه به کاربران کمک می کنند تا به توصیه های شخصی که مختص خود آن هاست دست یابند و تصمیم گیری بهتری داشته باشند، با پیشنهاد محصولات اضافی به مشتری باعث افزایش فروش شده و همچنین به حفظ و نگهداری مشتریان کمک شایانی می کنند. یک سیستم توصیه گر می تواند با درنظرگرفتن اطلاعات زمینه ای مانند زمان و مکان، نه تنها امتیازات اختصاص داده شده را در نظر بگیرد؛ بلکه توصیه هایی به کاربران نیز ارائه دهد. در دهه کنونی که اطلاعات بسیار زیادی وجود دارد، استفاده از سیستم های پیشنهاددهنده به یک ضرورت تبدیل شده است؛ زیرا سیستم توصیه کننده محتوای خرید آنلاین، سلیقه کاربران را شناسایی می کند و گزارش استفاده آن ها را ثبت کرده و پیشنهاد را توصیه می کند. این پژوهش به بررسی تکنیک ها و روش هایی که محققین جهت پیادهسازی سیستم های توصیه گر استفاده نمودند میپردازد. بررسی نتایج نشان میدهد که کارآمدترین روش ها در ارائه پیشنهادات توسط سیستم های توصیه گر، الگوریتم های فیلتربندی مشارکتی، یادگیری عمیق CNN و روش های یادگیری ماشین KNN و Naïve Bayes هستند.

Keywords:

سیستم توصیه کننده , یادگیری عمیق , الگوریتم فیلتربندی مشارکتی , یادگیری ماشین.