تحتوي هذه الصفحة على مصطلحات مسرد مصطلحات أنظمة الاقتراح. للاطّلاع على جميع مصطلحات مسرد المصطلحات، انقر هنا.
C
إنشاء مرشح
هي المجموعة الأولية من الاقتراحات التي يختارها نظام اقتراحات. على سبيل المثال، ضع في اعتبارك مكتبة كتب تقدم 100000 كتاب. تنشئ مرحلة إنشاء المرشح قائمة أصغر بكثير من الكتب المناسبة لمستخدم معين، لنفترض 500. ولكن حتى 500 كتاب هي الكثير جدًا بحيث لا يمكن توصية المستخدم بمشاهدتها. وتكون المراحل اللاحقة والأكثر تكلفة من نظام الاقتراح (مثل تحديد النتائج وإعادة الترتيب) تؤدّي إلى تقليل هذه المراحل الـ 500 إلى مجموعة اقتراحات أصغر وأكثر فائدة.
الفلترة حسب الاهتمامات الجماعية
تقديم توقّعات حول اهتمامات أحد المستخدمين استنادًا إلى اهتمامات العديد من المستخدمين الآخرين غالبًا ما يتم استخدام التصفية التعاونية في أنظمة التوصية.
I
مصفوفة السلع
في أنظمة الاقتراحات، هي مصفوفة متّجهات تضمين تم إنشاؤها من خلال تحليل عوامل المصفوفة والتي تحمل إشارات كامنة حول كل عنصر. يحتوي كل صف من مصفوفة العناصر على قيمة ميزة كامنة واحدة لجميع العناصر. على سبيل المثال، فكّر في نظام توصية الأفلام. يمثل كل عمود في مصفوفة العناصر فيلمًا واحدًا. قد تمثل الإشارات الكامنة أنواعًا موسيقية أو قد تكون إشارات أصعب في تفسيرها تتضمن تفاعلات معقدة بين النوع أو النجوم أو عمر الفيلم أو عوامل أخرى.
تحتوي مصفوفة العناصر على نفس عدد الأعمدة مثل المصفوفة المستهدفة التي يتم تحليلها. على سبيل المثال، إذا كان أحد أنظمة التوصية بالأفلام يقيّم 10,000 عنوان، ستحتوي مصفوفة العناصر على 10,000 عمود.
عناصر
تمثّل هذه السمة في نظام الاقتراحات الكيانات التي يقترحها النظام. على سبيل المثال، مقاطع الفيديو هي العناصر التي يوصي بها متجر فيديو، بينما الكتب هي العناصر التي يوصي بها متجر الكتب.
ن
تحليل المصفوفة إلى عوامل
في الرياضيات، يشير ذلك المصطلح إلى آلية لإيجاد المصفوفات التي يقترب ناتجها النقطي من مصفوفة مستهدفة.
في أنظمة الاقتراحات، غالبًا ما تحتفظ المصفوفة المستهدَفة بتقييمات المستخدمين بشأن العناصر. على سبيل المثال، قد تبدو المصفوفة المستهدفة لنظام توصية الأفلام على النحو التالي، حيث تكون الأعداد الصحيحة الموجبة هي تقييمات المستخدمين، وتعني 0 أن المستخدم لم يقيّم الفيلم:
| الدار البيضاء | قصة فيلادلفيا | النمر الأسود | المرأة المعجزة | روائع الطبيعة | |
|---|---|---|---|---|---|
| مستخدم 1 | 5 | 3 | 0.0 | 2.0 | 0.0 |
| مستخدم 2 | 4 | 0.0 | 0.0 | 1 | 5 |
| مستخدم 3 | 3 | 1 | 4 | 5 | 0.0 |
يهدف نظام توصية الأفلام إلى التنبؤ بتقييمات المستخدمين للأفلام غير المصنفة. على سبيل المثال، هل سيعجب المستخدم رقم 1 باسم Black Panther؟
يتمثل أحد الأساليب لأنظمة التوصية في استخدام تحليل المصفوفات لإنشاء المصفوفتين التاليتين:
- مصفوفة مستخدمين، على شكل عدد المستخدمين × عدد أبعاد التضمين.
- مصفوفة سلع يتم إنشاؤها على أنّها عدد أبعاد التضمين X عدد العناصر
على سبيل المثال، يمكن أن ينتج عن استخدام تحليل المصفوفة على المستخدمين الثلاثة وخمسة عناصر مصفوفة المستخدم ومصفوفة العناصر التالية:
User Matrix Item Matrix 1.1 2.3 0.9 0.2 1.4 2.0 1.2 0.6 2.0 1.7 1.2 1.2 -0.1 2.1 2.5 0.5
ينتج عن ناتج الضرب النقطي لمصفوفة المستخدمين ومصفوفة العناصر مصفوفة التوصيات التي لا تحتوي فقط على تقييمات المستخدمين الأصلية، ولكن أيضًا تنبؤات للأفلام التي لم يطلع عليها كل مستخدم. على سبيل المثال، ضع في الاعتبار تقييم المستخدم 1 لـ Casablanca والذي كان 5.0. نأمل أن يكون ناتج الضرب النقطي المقابل لتلك الخلية في مصفوفة التوصية حوالي 5.0، وهو:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
والأهم من ذلك، هل سيحب المستخدم رقم 1 Black Panther؟ ويؤدي أخذ ناتج الضرب النقطي المقابل للصف الأول والعمود الثالث إلى الحصول على تقييم متوقع يبلغ 4.3:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
ينتج عن تحليل المصفوفة عادةً مصفوفة مستخدم ومصفوفة عناصر تكون معًا أكثر إحكامًا من المصفوفة المستهدفة.
R
نظام التوصية
نظام يختار لكل مستخدم مجموعة صغيرة نسبيًا من العناصر المطلوبة من مجموعة كبيرة. على سبيل المثال، قد يقترح نظام اقتراحات الفيديوهات فيديوهَين من مجموعة تضم 100,000 فيديو، مع اختيار الدار البيضاء وقصة فيلادلفيا لمستخدم واحد، والمرأة الخارقة والنمر الأسود لفيديو آخر. قد يبني نظام اقتراحات الفيديوهات اقتراحاته على عوامل مثل:
- الأفلام التي قيّمها أو شاهدها مستخدمون مشابهون.
- النوع والمخرجون والممثلين والخصائص الديمغرافية المستهدفة...
إعادة الترتيب
المرحلة الأخيرة من نظام الاقتراحات، وهي المرحلة التي يمكن خلالها إعادة تقييم العناصر المقيّمة وفقًا لبعض الخوارزميات الأخرى (التي لا تكون عادةً غير مستندة إلى تعلُّم الآلة). تعمل إعادة الترتيب على تقييم قائمة العناصر التي تم إنشاؤها في مرحلة تسجيل النتائج، واتخاذ إجراءات مثل:
- استبعاد السلع التي اشتراها المستخدم من قبل
- جارٍ رفع نتيجة العناصر الأحدث.
S
إحراز نقاط
جزء من نظام اقتراحات يوفّر قيمة أو ترتيبًا لكل عنصر أنتجته مرحلة إنشاء المرشحين
U
مصفوفة المستخدمين
في أنظمة الاقتراحات، متجه تضمين تم إنشاؤه من خلال تحليل عوامل المصفوفة ويحمل إشارات كامنة حول الإعدادات المفضّلة للمستخدم. يحتوي كل صف من مصفوفة المستخدمين على معلومات حول القوة النسبية للإشارات الكامنة المختلفة لمستخدم واحد. على سبيل المثال، فكّر في نظام توصية الأفلام. في هذا النظام، قد تمثل الإشارات الكامنة في مصفوفة المستخدمين اهتمام كل مستخدم بأنواع معينة، أو قد تكون إشارات يصعب تفسيرها تتضمن تفاعلات معقدة عبر عوامل متعددة.
تحتوي مصفوفة المستخدمين على عمود لكل ميزة كامنة وصف لكل مستخدم. أي أن مصفوفة المستخدم تحتوي على نفس عدد الصفوف مثل المصفوفة المستهدفة التي يتم تحليلها. على سبيل المثال، إذا كان هناك نظام توصية بالأفلام لعدد 1,000,000 مستخدم، ستحتوي مصفوفة المستخدمين على 1,000,000 صف.
واط
المربعات الصغرى البديلة المرجحة (WALS)
يشير ذلك المصطلح إلى خوارزمية للحدّ من الدالة الموضوعية أثناء تحليل المصفوفة في أنظمة الاقتراح، ما يتيح خفض عدد الأمثلة غير المتوفّرة. يقلل WALS من الخطأ التربيعي المرجح بين المصفوفة الأصلية وإعادة الإنشاء عن طريق التبديل بين إصلاح تحليل الصفوف وتحلُّل الأعمدة. يمكن حل كل من هذه التحسينات من خلال استخدام المربعات الصغرى تحسين التحويل. للاطّلاع على التفاصيل، يُرجى مراجعة الدورة التدريبية حول أنظمة الاقتراحات.