ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتماد

ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتماد

فرمت فایل اصلی : ورد قابل ویرایش عنوان:ارائه مدلی برای سیستم­های توصیه گر در شبکه های مبتنی بر اعتماد تعداد صفحات :149 چکیده: امروزهبا گسترش و رشد روز افزون اطلاعات در فضای مجازی و وجود انبوهی از کالا یاخدماتی که در وب سایتهای تجاری و خدماتی ارائه می­گردند کاربران را با اینمشکل مواجه نموده است که چگونه کالا یا خدمت مورد نظر خود را به راحتی وبا صرف کمترین زمان ممکن بیابند. در این میان سیستمهای توصیه­گر با هدفتسهیل و یاری رساندن به کاربران در زمینه انتخاب و یافتن کالای مورد نیازایشان با استفاده از علوم و روشهای مبتنی بر داده کاوی اطلاعات، ایجاد وتوسعه یافته­اند. همچنین در سالهای اخیر ظهور و گسترش شبکه­های اجتماعی وشبکه­های مبتنی بر رابطه اعتماد میان کاربران، باعث گشوده شدن افق جدیدی درارائه سیستمهای توصیه­گر و توسعه نسل جدیدی از اینگونه سیستمها گردیده استو آنرا به یکی از موضوعات جذاب و مورد توجه محققان تبدیل نموده است. ازمیان روشها و مدل­های موجود در زمینه سیستمهای توصیه­گر روش پالایش گروهیبه لحاظ سادگی پیاده­سازی از محبوبیت قابل ملاحظه­ای برخوردار است اما اینروش در ارائه پیشنهادات مناسب و قابل قبول به کاربران تازه وارد دارایضعف­های جدی می­باشد. سیستمهای توصیه ­گر مبتنی بر اعتماد، با بهره­گیری ازرابطه اعتماد میان کاربران، در جهت رفع نقاط ضعف بیان شده و خصوصا ارائهپیشنهادات مناسب به کاربران تازه وارد گامهای موثری برداشته­اند. در اینتحقیق سعی شده است تا از تلفیق و ترکیب روش­های موجود در زمینه پالایشگروهی و همچنین مدلهای مبتنی بر اعتماد و بررسی نقاط ضعف و قوت آنها مدلینوین و توسعه یافته ارائه گردد که در آن نتایج از خطای کمتر و دقت بالاتریبرخوردار بوده و با افزایش معیار پوشش بتوان به درصد بیشتری از کاربرانپاسخ مناسب ارائه نمود. برای این منظور در میان انواع روشهای پالایش گروهی،روش مبتنی بر آیتم و برای پیمایش شبکه اعتماد میان کاربران نیز از روشپیمایش تصادفی بهره گرفته شده است، همچنین با تفسیر و تعدیل نظرات کاربران واتخاذ شیوه­ای مناسب جهت محاسبه مقدار دقیق اعتماد میان کاربران و تغییردر نحوه پیمایش شبکه اعتماد میان ایشان سعی در بهبود و کاهش خطاهای نتایجگردیده است. در نهایت، جهت ارزیابی و برآورد مدل ترکیبی ارائه شده، نتایج وآمارهای حاصل از اجرای مدل پیشنهادی بر روی مجموعه داده های Epinions وMovielens و مقایسه آنها با نتایج مدل پایه TrustWalkerبه عنوان یکی ازبهترین مدلهای ترکیبی ارائه شده در زمینه سیستمهای توصیه گر مبتنی براعتماد، ارائه می­گردد. فصل اول: مقدمه ای بر انواع سیستم های توصیه گر 1-1- مقدمه گسترشسریع و روز افزون اطلاعات ارائه شده بر روی شبکه جهانی اینترنت، کاربرانرا با مشکلات عدیده و قابل تاملی در خصوص انتخاب منابع و اطلاعات مورد نیازایشان مواجه نموده است و چه بسا که بدون راهنمایی و هدایت صحیح، کاربراندر اخذ تصمیمات صحیح یا انتخاب کالا و خدمات مورد نیازشان دچار اشتباه شدهکه این امر تبعات عدیده­ای از جمله نارضایتی، سلب اطمینان کاربران ومشتریان سایتهای موجود بر روی اینترنت را به همراه خواهد داشت. از اینرووجود ابزار و سیستمهایی برای کمک به کاربران در انتخاب اطلاعات مناسب ومورد نیاز ایشان کاملا ضروری به نظر می­رسد. در سالهای اخیر برای برآوردهسازی این نیازها سیستمهای توصیه­گرمطرح و توسعه یافته­اند و الگوریتمها ،مقالات و متون علمی بسیار متنوع و مختلفی در این زمینه مطرح گردیده است . دراین میان، ایجاد و گسترش شبکه­های اجتماعی، شبکه­های اعتماد و وجود انواعروابط میان کاربران این شبکه­ها افق جدیدی را برروی محققان و توسعه دهندگانسیستمهای توصیه­گر گشوده است تا با بهره­گیری از علوم اجتماعی و علوم روانشناختی حاکم در این شبکه­ها و خصوصا وجود رابطه اعتماد میان کاربرانبتوانند نسل جدیدی از سیستمهای توصیه­گر را تحت عنوان “سیستمهای توصیه­گرمبتنی بر اعتماد[1]“معرفی و عرضهنمایند. این سیستمها قادر هستند تا به درصد بیشتری از کاربران پاسخ مناسبرا ارائه دهند و همچنین نتایج آنها از دقت بالاتری برخوردار می­باشد. باتوجه به کثرت کاربران و افراد عضو شبکه­های مبتنی بر اعتماد و شبکه­هایاجتماعی، همچنین تنوع رفتار و ویژگی­های ایشان، تنها یک شیوه یا یک مدلقادر به پاسخگویی و ارائه پیشنهادات دقیق و قابل قبول نمی­باشد که این امرباعث ظهور سیستمهای توصیه­گر ترکیبی[2]گردیدهاست. در این سیستمها سعی شده است تا با ترکیب انواع مختلفی از سیستمهایتوصیه­گر بتوان سیستمی تولید نمود که دارای مزایای حداکثری و معایب حداقلیباشد. دراین پروژه سعی شده است تا با تغییر، اصلاح، تلفیق و ترکیب تعدادی از روشهاو الگوریتم­های مطرح و قابل قبول در سطح جهانی، مدلی ارائه گردد که نسبتبه مدل­های پیشین دارای دقت و درصد پوشش بالاتری باشد و همچنین بتواندنقایص مدلهای پیشین خصوصا در رابطه با ارائه پیشنهاد به کاربران تازه وارد[3] را تا حد قابل قبولی مرتفع نماید. 1-2- سیستمهای توصیه ­گر تعاریف متفاوتی برای سیستم‌های توصیه‌گر ارائه شده‌است. عده­ای از محققان سیستمهای توصیه­گر را زیرمجموعه‌ای از سیستمهای تصمیم­یار[4] می‌دانند و آنها را سیستم‌های اطلاعاتی[5]تعریف می‌کنند که توانایی تحلیل رفتارهای گذشته و ارائه توصیه‌هایی برایمسائل جاری را دارا می­باشند[1]. به زبان ساده‌تر در سیستم‌های توصیه‌گرتلاش بر این است تا با حدس زدن شیوه تفکر کاربر به کمک اطلاعاتی که از نحوهرفتار وی یا کاربران مشابه و نظرات آنها داریم مناسب‌ترین و نزدیک‌ترینکالا یا خدمت به سلیقه او را شناسایی و پیشنهاد کنیم. این سیستم‌ها درحقیقت سعی دارند فرایندی را که ما در زندگی روزمره خود بکار می‌بریم و طیآن تلاش می‌کنیم تا افرادی با سلایق نزدیک به خود را پیدا کرده و از آنهادر مورد انتخاب‌هایمان نظر بخواهیم را شبیه سازی نمایند. به صورت کلی­تر سیستمهای توصیه­گر زیر مجموعه­ای از سیستمهای پالایش اطلاعات[6]هستند که وظیفه آنها جستجو برای بیان پیش­بینی امتیاز(درجه)[7] یا بیان سلایق و ترجیحات[8] یک کاربر در خصوص یک موضوع[9] ( مانند موسیقی، کتاب یا فیلم) یا یک عنصر اجتماعی مانند افراد و گروهها می­باشد[2]–[4]. 1-3- انواع سیستمهای توصیه ­گر از لحاظ عملکردی سیستمهایتوصیه­گر به لحاظ نحوه ارائه نتایج و پیشنهادات به کاربران خود، به شیوههای متفاوتی عمل می نمایند که در ذیل به پاره­ ای از آنها به صورت فهرستوار اشاره می­گردد: – پیشنهاد لیستی متشکل از n کالا یا محصول برتر (معمولا n برابر 10 است ) – پیشنهادات فصلی و موردی مانند پیشنهاد یک هتل دارای تخفیف جهت تعطیلات – بیان درصد علاقه­مندی سایر کاربران به یک محصول خاص، به عنوان مثال: “80 درصد کاربران از خرید این محصول راضی بوده اند “ – پیش بینی میزان امتیازی که یک کاربر به یک محصول خاص خواهد داد دراین تحقیق سعی در ایجاد مدلی است که بتواند نظر و امتیاز تخصیص داده شدهتوسط یک کاربر خاص به یک محصول یا آیتم خاص را پیش­بینی نماید. 1-4- مزایا و اهمیت یک سیستم توصیه ­گر کارآمد طبق آمار رسمی ارائه شده توسط سایت فروش کتاب Amazon[10]، 35 درصد از فروش این سایت به واسطه وجود سیستم توصیه­گر و ارائهپیشنهادات مناسب به علاقه­مندان کتاب می باشد[5] همچنین سایت اجاره فیلمNetflix برای بهبود 10 درصدی دقت سیستم توصیه­گر خود موسوم به Cinematch[11]جایزهای بالغ بر یک میلیون دلار برای محققان در نظر گرفته است. هر دو مثال فوقنشان دهنده اهمیت سیستمهای توصیه­گر و نقش آنها در تجارت می­باشد. در ذیلتعدادی از دلایل اهمیت وجود یک سیستم توصیه­گر مناسب و کارآمد در یک سایتتجارت الکترونیک برشمرده می­گردد: – راهنمایی کاربران و بازدید کنندگان در انتخاب کالا ، محصول یا خدمت مناسب – تسریع در زمان انتخاب کالای مورد نظر مشتری مانند انتخاب یک فیلم مناسب در میان میلیونها فیلم موجود در سایت – جمع­ آوری اطلاعات ارزشمند در خصوص سلایق و رفتار کاربران جهت برنامه­ ریزی­ های آتی – جذب مشتریان و بازدید کنندگانی که برای اولین بار است از سایت بازدید می­کنند – افزایش میزان رضایتمندی کاربران و طبیعتا افزایش سود سرمایه گذاران تجاری – ایجاد احساس اطمینان در مشتری با ارائه آمار نظرات سایر کاربران – بهبود معیارهای سنجش رتبه و درجه پورتال یا سایت – توجه به جنبه­ های روان­شناختی کاربران – افزایش آگاهی کاربر در زمینه مورد علاقه وی [1] Trust-Based Recommendation Systems(TBRS) [2] Hybrid Recommender System [3] Cold Start Users [4] Decision Support Systems(DSS) [5] Information Systems(IS) [6] Information Filtering Systems [7] Ratings [8] Preferences [9] Item [10]http://www.amazon.com [11] http://www.netflixprize.com فهرست مطالب: فصل اول : مقدمه­ای بر انواع سیستم توصیه­ گر 1-1- مقدمه 1-2- سیستمهای توصیه­ گر 1-3- انواع سیستمهای توصیه ­گر از لحاظ عملکردی 1-4- مزایا و اهمیت یک سیستم توصیه­ گر کارآمد 1-5- معایب و مشکلات کلی سیستمهای توصیه ­گر 1-6- انواع رویکردها و مدلهای موجود در زمینه پیاده­ سازی سیستمهای توصیه­ گر 1-7- تشریح و بیان مسئله 1-8- اهداف تحقیق 1-9- سوالات و فرضیه­ های تحقیق 1-10- مراحل تحقیق 1-11- فصول پروژه فصل دوم : مروری بر ادبیات تحقیق و مبانی نظری تحقیق 2-1- مقدمه2-2- پالایش گروهی (Collaborative Filtering) 2-2-1- پالایش گروهی مبتنی بر حافظه(Memory Based) 2-2-1-1- روش پالایش گروهی مبتنی بر آیتم2-2-1-2- امتیازدهی به صورت پیش فرض 2-2-1-3- تشدید حالت(Case Amplification) 2-2-2- پالایش گروهی مبتنی بر مدل(Model Based) 2-3- پالایش محتوایی (Content Based Filtering)2-4- تکنیکهای ترکیبی 2-5- سیستمهای توصیه­ گر مبتنی بر رابطه اعتماد میان کاربران 2-5-1- چگونگی کارکرد سیستم توصیه­ گر مبتنی بر اعتماد 2-5-2- مزایا و معایب 2-5-3- انتشار اعتماد و تجمیع اعتماد 2-6- چالش ها و محدودیتهای موجود 2-6-1- نقصان و کاستی اطلاعات 2-6-2- مشکل کاربران تازه وارد 2-6-3- کلاهبرداری و تقلب 2-6-4- پیچیدگی های محاسباتی و زمانی 2-7- معیارهای ارزیابی سیستمهای توصیه­ گر 2-7-1- خطای جذر میانگین مربعات (RMSE) 2-7-2- معیار درصد پوشش 2-7-3- معیار دقت 2-7-4- معیار F-Measure فصل سوم : مروری بر مطالعات و تحقیقات پیشین 3-1- مقدمه 3-2- مرور کارهای گذشته 3-2-1- مدل MoleTrust 3-2-2- مدل TidalTrust 3-2-3- مدل دانه سیب 3-2-4- مدل ارائه شده توسط Anderson 3-2-5- مدل ارائه شده توسط O’Donovan 3-2-6- مدل TrustWalker 3-2-6-1- ساختار مدل TrustWalker 3-2-6-2- تشابه آیتم ها 3-2-6-3- خصوصیات ویژه مدل TrustWalker 3-2-6-3-1- فراگیری و عمومیت مدل 3-2-6-3-2- اطمینان به نتایج حاصل 3-2-6-3-3- تفسیرپذیری و قابل توضیح بودن نتایج 3-2-6-4- نمایش ماتریسی مدل TrustWalker 3-2-6-5- نتیجه گیری در خصوص مدل TrustWalker فصل چهارم : تشریح مدل ترکیبی پیشنهادی و چگونگی توسعه و بهبود مدل پایه 4-1- مقدمه 4-2- تشریح مدل کلی TrustWalker 4-2-1- علائم نشانه گذاری و متغیرهای مدل 4-2-2- روند یک پیمایش تصادفی در شبکه 4-2-3- انتخاب تصادفی یک کاربر4-2-4- انتخاب یک آیتم مشابه 4-2-5- تشابه آیتم ها 4-2-6- محاسبه احتمال ماندن در یک گره شبکه اعتماد4-2-7- چگونگی انجام پیش­بینی امتیاز 4-2-8- چگونگی محاسبه احتمال4-2-9- چگونگی محاسبه عملی4-2-10- شرط اتمام کلی مدل 4-3- بهبود و توسعه مدل TrustWalker 4-3-1- استفاده از فرمول jaccard جهت محاسبه تشابه آیتم ها 4-3-2- حذف میانگین از فرمول پیرسون 4-3-3- استفاده از تکنیک مبتنی بر آیتم خالص 4-3-4- تعدیل و تفسیر نظرات کاربران 4-3-5- محاسبه دقیق مقدار اعتماد یا امتیاز رابطه میان دو کاربر 4-3-6- محاسبه ترکیبی امتیاز رابطه میان کاربران فصل پنجم : تشریح روند انجام آزمایشات و نتایج حاصل 5-1- مقدمه 5-2- معرفی مجموعه داده epinions 5-2-1- ویژگیهای مجموعه داده epinions 5-2-2- آماده سازی و نحوه پالایش داده­ها 5-2-3- ایجاد مجموعه داده نمونه 5-3- مجموعه داده movielens 5-3-1- ویژگیهای مجموعه داده movielens 5-4- نیازمندیهای نرم افزاری 5-5- نیازمندیهای سخت افزاری 5-6- متدولوژی نرم افزاری 5-7- پارامترهای پیش فرض انجام آزمایشات 5-8- نتایج اجرای آزمایشات با مجموعه داده epinions و movielens 5-8-1- بررسی تاثیر عمق پیمایش بر روی نتایج حاصل در خصوص کاربران تازه وارد 5-8-2- بررسی تاثیر تاریخ اعلام نظرات توسط کاربران 5-8-3- بررسی تاثیر تغییر فرمول محاسبه تشابه آیتمها 5-8-4- بررسی تاثیر بکارگیری مکانیزم تفسیر و تعدیل نظرات کاربران 5-8-5- بررسی تاثیر بکارگیری انواع روشهای ترکیبی برای انتخاب کاربران و پیمایش شبکه 5-8-5-1- نحوه محاسبه امتیاز رابطه موجود میان کاربران 5-8-5-2- بررسی تاثیر بکارگیری روشهای ترکیبی در عملکرد سیستم برای تمامی کاربران 5-8-5-3- بررسی تاثیر بکارگیری روشهای ترکیبی در عملکرد سیستم برای کاربران تازه وارد5-8-6-بررسی تاثیر بکارگیری توام مکانیزم تفسیر امتیازات کاربران به همراهاستفاده از روشهای ترکیبی انتخاب کاربران و پیمایش شبکه اعتماد 5-9- انجام آزمایشات با مجموعه داده movielens 5-9-1- نتایج حاصل از اجرای روشهای ترکیبی مورد استفاده در مدل توسعه یافته فصل ششم : نتیجه گیری نهایی و کارهای آینده 6-1- مقدمه 6-2- عملکرد مدل توسعه یافته 6-2-1- عملکرد مدل توسعه یافته در خصوص تمامی کاربران 6-2-2- عملکرد مدل توسعه یافته در خصوص کاربران تازه وارد 6-3- نتیجه گیری نهایی6-3-1- تحلیل نهایی نتایج حاصل از انجام آزمایشات بر روی مجموعه داده epinions 6-3-2- تحلیل نهایی نتایج حاصل از انجام آزمایشات بر روی مجموعه داده movielens 6-4- پیشنهادات کارهای آینده اختصارات فهرست منابع