نظام التوصية

📅 آخر تحديث: ٣١ يوليو ٢٠٢٦
✍️ نُشر في: ٣١ يوليو ٢٠٢٦
📷 يحتوي على 2 صور
الموسوعة الحرة

نظام التوصية ، ويُسمى أيضًا خوارزمية التوصية ، أو محرك التوصية ، أو منصة التوصية ، أو ببساطة الخوارزمية في سياق وسائل التواصل الاجتماعي ، هو نوع من أنظمة تصفية المعلومات التي تقترح العناصر الأكثر صلة بمستخدم معين. [ 1 ] [ 2 ] [ 3 ] تبرز أهمية هذه الأنظمة بشكل خاص في الحالات التي يتعين على المستخدمين فيها الاختيار من بين عدد كبير من الخيارات، مثل المنتجات أو الوسائط أو المحتوى. [ 1 ] [ 4 ] تعتمد منصات التواصل الاجتماعي الرئيسية وخدمات البث المباشر على أنظمة التوصية التي تستخدم التعلم الآلي لتحليل سلوك المستخدمين وتفضيلاتهم، مما يتيح تقديم خلاصات محتوى مخصصة. [ 5 ] [ 6 ]

عادةً ما تشير الاقتراحات إلى مجموعة متنوعة من عمليات اتخاذ القرار ، بما في ذلك اختيار منتج، أو مقطوعة موسيقية، أو مصدر إخباري إلكتروني للقراءة. [ 1 ] يُعدّ استخدام أنظمة التوصية واسع الانتشار، ومن الأمثلة الشائعة عليها إنشاء قوائم تشغيل لخدمات الفيديو والموسيقى، وتقديم توصيات بالمنتجات لمنصات التجارة الإلكترونية ، والتوصية بالمحتوى على منصات التواصل الاجتماعي والإنترنت المفتوح. [ 7 ] [ 8 ] يمكن لهذه الأنظمة العمل باستخدام نوع واحد من المدخلات، مثل الموسيقى، أو مدخلات متعددة من منصات متنوعة، بما في ذلك الأخبار والكتب وعبارات البحث. بالإضافة إلى ذلك، طُوّرت أنظمة توصية شائعة لمواضيع محددة، مثل المطاعم وخدمات المواعدة عبر الإنترنت . كما طُوّرت أنظمة توصية لاستكشاف المقالات البحثية والخبراء، [ 9 ] والمتعاونين، [ 10 ] والخدمات المالية. [ 11 ]

منصة اكتشاف المحتوى هي منصة برمجية للتوصيات تستخدم أدوات أنظمة التوصية. وتعتمد على بيانات المستخدم الوصفية لتحديد المحتوى ذي الصلة واقتراحه، مع تقليل تكاليف الصيانة والتطوير المستمرة. توفر منصة اكتشاف المحتوى محتوىً مخصصًا للمواقع الإلكترونية والأجهزة المحمولة وأجهزة الاستقبال الرقمية . يوجد حاليًا نطاق واسع من منصات اكتشاف المحتوى لأنواع مختلفة من المحتوى، بدءًا من المقالات الإخبارية ومقالات المجلات الأكاديمية [ 12 ] وصولًا إلى التلفزيون [ 13 ] . ومع تنافس شركات الاتصالات لتكون بوابة الترفيه المنزلي، يبرز التلفزيون المخصص كعامل تمييز رئيسي للخدمة. وقد أصبح اكتشاف المحتوى الأكاديمي مؤخرًا مجالًا آخرًا ذا أهمية، مع ظهور العديد من الشركات المتخصصة في مساعدة الباحثين الأكاديميين على مواكبة أحدث المحتويات الأكاديمية ذات الصلة وتسهيل اكتشاف محتوى جديد بشكل غير متوقع [ 12 ] .

ملخص

تستخدم أنظمة التوصية عادةً إما الترشيح التعاوني أو الترشيح القائم على المحتوى، أو كليهما، بالإضافة إلى أنظمة أخرى مثل الأنظمة القائمة على المعرفة . تبني أساليب الترشيح التعاوني نموذجًا من سلوك المستخدم السابق (مثل المنتجات التي تم شراؤها أو اختيارها سابقًا، و/أو التقييمات الرقمية الممنوحة لتلك المنتجات)، بالإضافة إلى القرارات المماثلة التي اتخذها مستخدمون آخرون. ثم يُستخدم هذا النموذج للتنبؤ بالمنتجات (أو تقييمات المنتجات) التي قد تهم المستخدم. [ 14 ] أما أساليب الترشيح القائمة على المحتوى فتستخدم سلسلة من الخصائص المنفصلة والمُصنفة مسبقًا للمنتج، وذلك للتوصية بمنتجات إضافية ذات خصائص مماثلة. [ 15 ]

مثال

يمكن توضيح الاختلافات بين التصفية التعاونية والتصفية القائمة على المحتوى من خلال مقارنة نظامي توصية الموسيقى القديمة Last.fm و Pandora Radio .

  • يُنشئ Last.fm "محطة" للأغاني المُقترحة من خلال رصد الفرق الموسيقية والأغاني الفردية التي يستمع إليها المستخدم بانتظام، ومقارنتها بسلوك الاستماع لدى المستخدمين الآخرين. يقوم Last.fm بتشغيل أغاني غير موجودة في مكتبة المستخدم، ولكنها تُشغّل غالبًا من قِبل مستخدمين آخرين ذوي اهتمامات مماثلة. وبما أن هذا النهج يستفيد من سلوك المستخدمين، فهو يُعد مثالًا على تقنية التصفية التعاونية . [ 16 ]
  • Pandora uses the properties of a song or artist (a subset of the 450 attributes provided by the Music Genome Project[17]) to seed a "station" that plays music with similar properties. User feedback is used to refine the station's results, deemphasizing certain attributes when a user "dislikes" a particular song and emphasizing other attributes when a user "likes" a song. This is an example of a content-based approach.

Each type of system has its strengths and weaknesses. In the above example, Last.fm requires a large amount of information about a user to make accurate recommendations. This is an example of the cold start problem, and is common in collaborative filtering systems.[18][19][20][21][22][23] Whereas Pandora needs very little information to start, it is far more limited in scope (for example, it can only make recommendations that are similar to the original seed).

Alternative implementations

Recommender systems are a useful alternative to search algorithms since they help users discover items they might not have found otherwise. Of note, recommender systems are often implemented using search engines indexing non-traditional data. In some cases, like in the Gonzalez v. Google Supreme Court case, may argue that search and recommendation algorithms are different technologies.[24]

Recommender systems have been the focus of several granted patents,[25][26][27][28][29] and there are more than 50 software libraries[30] that support the development of recommender systems including LensKit,[31][32] RecBole,[33] ReChorus[34] and RecPack.[35]

History

Elaine Rich created the first recommender system in 1979, called Grundy.[36][37] She looked for a way to recommend users books they might like. Her idea was to create a system that asks users specific questions and classifies them into classes of preferences, or "stereotypes", depending on their answers. Depending on users' stereotype membership, they would then get recommendations for books they might like.

تم وصف نظام توصية مبكر آخر، يسمى "رف الكتب الرقمي"، في تقرير فني عام 1990 من قبل جوسي كارلجرين في جامعة كولومبيا، [ 38 ] وتم تنفيذه على نطاق واسع وتم العمل عليه في التقارير الفنية والمنشورات من عام 1994 فصاعدًا من قبل جوسي كارلجرين، الذي كان يعمل آنذاك في SICS ، [ 39 ] [ 40 ] ومجموعات بحثية بقيادة باتي مايس في معهد ماساتشوستس للتكنولوجيا، [ 41 ] وويل هيل في بيلكور، [ 42 ] وبول ريسنيك ، أيضًا في معهد ماساتشوستس للتكنولوجيا، [ 43 ] [ 4 ] الذين حصل عملهم مع GroupLens على جائزة ACM لأنظمة البرمجيات لعام 2010 .

قدّم مونتانير أول نظرة عامة على أنظمة التوصية من منظور الوكلاء الأذكياء. [ 44 ] وقدّم جيديميناس أدومفيسيوس نظرة عامة جديدة وبديلة لأنظمة التوصية. [ 45 ] كما قدّم هيرلوكر نظرة عامة إضافية على تقنيات تقييم أنظمة التوصية، [ 46 ] وناقش بيل وآخرون مشاكل التقييمات غير المتصلة بالإنترنت. [ 47 ] وقدّم بيل وآخرون أيضًا دراسات استقصائية للأدبيات حول أنظمة التوصية المنشورة في الأبحاث والتحديات القائمة. [ 48 ] [ 49 ]

الأساليب

الترشيح التعاوني

مثال على التنبؤ بتقييم المستخدم باستخدام الترشيح التعاوني.
  • على اليسار: في البداية، يقوم الناس بتقييم عناصر مختلفة (مثل مقاطع الفيديو والصور والألعاب).
  • على اليمين: بعد ذلك، يقوم النظام بوضع توقعات حول تقييم المستخدم لعنصر لم يقيّمه شخصيًا بعد. تستند هذه التوقعات إلى التقييمات الموجودة لمستخدمين آخرين لديهم تقييمات مشابهة لتقييمات المستخدم النشط. على سبيل المثال، في حالتنا، توقع النظام أن المستخدم الموجود في أسفل يسار الشبكة لن يُعجب بالفيديو.

يُعدّ الترشيح التعاوني أحد الأساليب الشائعة لتصميم أنظمة التوصية . [ 50 ] يقوم الترشيح التعاوني على افتراض أن الأشخاص الذين اتفقوا سابقًا سيتفقون مستقبلًا، وأنهم سيُعجبون بأنواع مشابهة من العناصر التي أعجبوا بها سابقًا. يُولّد النظام توصيات باستخدام معلومات حول ملفات تعريف التقييم لمستخدمين أو عناصر مختلفة فقط. ومن خلال تحديد المستخدمين/العناصر النظراء الذين لديهم سجل تقييم مشابه للمستخدم أو العنصر الحالي، يُولّد النظام توصيات بناءً على هذه المجموعة.

The collaborative filtering approach does not rely on machine analyzable content and therefore it is capable of accurately recommending complex items such as movies without requiring an "understanding" of the item itself. Many algorithms have been used in measuring user similarity or item similarity in recommender systems. For example, the k-nearest neighbor (k-NN) approach[51] and the Pearson Correlation as first implemented by Allen.[52]

Collaborative filtering approaches often suffer from three problems: cold start, scalability, and sparsity.[53]

  • Cold start: For a new user or item, there is not enough data to make accurate recommendations. Note: one commonly implemented solution to this problem is the multi-armed bandit algorithm.[54][18][19][21][23]
  • Scalability: There are millions of users and products in many of the environments in which these systems make recommendations. Thus, a large amount of computation power is often necessary to calculate recommendations.
  • Sparsity: The number of items sold on major e-commerce sites is extremely large. The most active users will only have rated a small subset of the overall database. Thus, even the most popular items have very few ratings.

Social networking services have used collaborative filtering to recommend new friends, groups, and other social connections by examining the network of connections between a user and their friends.[1]

Content-based filtering

Another common approach when designing recommender systems is content-based filtering. Content-based filtering methods are based on a description of the item and a profile of the user's preferences.[55][56] These methods are best suited to situations where there is known data on an item (name, location, description, etc.), but not on the user. Content-based recommenders treat recommendation as a user-specific classification problem and learn a classifier for the user's likes and dislikes based on an item's features.

في هذا النظام، تُستخدم الكلمات المفتاحية لوصف المنتجات، ويُنشأ ملف تعريف للمستخدم لتحديد نوع المنتج الذي يُفضّله. بعبارة أخرى، تحاول هذه الخوارزميات التوصية بمنتجات مشابهة لتلك التي أعجب بها المستخدم سابقًا أو التي يبحث عنها حاليًا. ولا يعتمد هذا النظام على آلية تسجيل دخول المستخدم لإنشاء هذا الملف التعريفي الذي غالبًا ما يكون مؤقتًا. على وجه الخصوص، تتم مقارنة المنتجات المرشحة المختلفة بالمنتجات التي قيّمها المستخدم سابقًا، ويتم التوصية بالمنتجات الأنسب. يستند هذا النهج إلى أبحاث استرجاع المعلومات وتصفيتها .

لإنشاء ملف تعريف للمستخدم ، يركز النظام في الغالب على نوعين من المعلومات:

  1. نموذج يلبي تفضيلات المستخدم.
  2. سجل تفاعل المستخدم مع نظام التوصيات.

تعتمد هذه الأساليب بشكل أساسي على ملف تعريف العنصر (أي مجموعة من السمات والخصائص المنفصلة) التي تُميز العنصر داخل النظام. ولتجريد خصائص العناصر في النظام، تُطبق خوارزمية عرض العناصر. ومن الخوارزميات الشائعة الاستخدام تمثيل tf-idf (المعروف أيضًا بتمثيل فضاء المتجهات ). [ 57 ] يُنشئ النظام ملف تعريف للمستخدمين قائم على المحتوى، استنادًا إلى متجه مُرجّح لخصائص العناصر. تُشير الأوزان إلى أهمية كل خاصية بالنسبة للمستخدم، ويمكن حسابها من متجهات المحتوى المُقيّمة بشكل فردي باستخدام تقنيات متنوعة. تستخدم الأساليب البسيطة متوسط ​​قيم متجه العنصر المُقيّم، بينما تستخدم الأساليب المُتطورة الأخرى تقنيات التعلّم الآلي، مثل المصنفات البايزية ، وتحليل التجميع ، وأشجار القرار ، والشبكات العصبية الاصطناعية ، لتقدير احتمالية إعجاب المستخدم بالعنصر. [ 58 ]

تتمثل إحدى المشكلات الرئيسية في أنظمة التصفية القائمة على المحتوى في قدرة النظام على استخلاص تفضيلات المستخدمين من تفاعلاتهم مع مصدر محتوى معين، وتطبيقها على أنواع محتوى أخرى. فعندما يقتصر النظام على التوصية بمحتوى من نفس النوع الذي يستخدمه المستخدم بالفعل، تقل قيمة نظام التوصية بشكل ملحوظ مقارنةً بتوصيته بأنواع محتوى أخرى من خدمات مختلفة. على سبيل المثال، تُعدّ التوصية بمقالات إخبارية بناءً على تصفح الأخبار مفيدة، ولكن ستكون أكثر فائدة بكثير عند التوصية بموسيقى وفيديوهات ومنتجات ومناقشات، وغيرها، من خدمات مختلفة، بناءً على تصفح الأخبار. وللتغلب على هذه المشكلة، تستخدم معظم أنظمة التوصية القائمة على المحتوى حاليًا شكلاً من أشكال النظام الهجين.

يمكن أن تشمل أنظمة التوصية القائمة على المحتوى أنظمة توصية قائمة على الآراء. في بعض الحالات، يُسمح للمستخدمين بترك تعليقات أو ملاحظات نصية حول المنتجات. تُعدّ هذه النصوص التي يُنشئها المستخدمون بيانات ضمنية لنظام التوصية، لأنها تُشكّل مصادر غنية محتملة لكلٍّ من خصائص المنتج وجوانبه، وتقييم المستخدمين له ومشاعرهم تجاهه. تُعتبر الخصائص المُستخرجة من تعليقات المستخدمين بيانات وصفية مُحسّنة للمنتجات، لأنها تعكس جوانب المنتج، تمامًا كالبيانات الوصفية، ولذا تحظى هذه الخصائص باهتمام واسع من المستخدمين. يمكن اعتبار المشاعر المُستخرجة من التعليقات بمثابة تقييمات المستخدمين للخصائص المُقابلة. تستخدم الأساليب الشائعة لأنظمة التوصية القائمة على الآراء تقنيات متنوعة، منها التنقيب في النصوص ، واسترجاع المعلومات ، وتحليل المشاعر (انظر أيضًا تحليل المشاعر متعدد الوسائط ) ، والتعلم العميق . [ 59 ]

أساليب التوصيات الهجينة

تستخدم معظم أنظمة التوصية حاليًا نهجًا هجينًا يجمع بين الترشيح التعاوني والترشيح القائم على المحتوى وأساليب أخرى. يمكن تطبيق هذه الأساليب الهجينة بعدة طرق: إما بإجراء تنبؤات قائمة على المحتوى وأخرى قائمة على الترشيح التعاوني بشكل منفصل ثم دمجهما؛ أو بإضافة إمكانيات قائمة على المحتوى إلى نهج قائم على الترشيح التعاوني (والعكس صحيح)؛ أو بتوحيد الأساليب في نموذج واحد. [ 45 ] وقد أظهرت العديد من الدراسات التي قارنت تجريبيًا أداء النهج الهجين مع أساليب الترشيح التعاوني والقائمة على المحتوى بشكل منفرد، أن الأساليب الهجينة تقدم توصيات أكثر دقة من الأساليب المنفردة. كما يمكن استخدام هذه الأساليب للتغلب على بعض المشكلات الشائعة في أنظمة التوصية، مثل مشكلة البداية الباردة ومشكلة التباين، بالإضافة إلى معضلة هندسة المعرفة في الأساليب القائمة على المعرفة . [ 60 ]

تستخدم نتفليكس أنظمة توصية هجينة لتقديم التوصيات من خلال مقارنة عادات المشاهدة والبحث لدى المستخدمين المتشابهين (أي الترشيح التعاوني)، بالإضافة إلى عرض أفلام تتشارك في خصائص مع الأفلام التي قيّمها المستخدم بدرجة عالية (الترشيح القائم على المحتوى). [ 61 ]

تتضمن بعض تقنيات التهجين ما يلي:

  • مرجح : دمج درجات مكونات التوصية المختلفة رقميًا.
  • التبديل : الاختيار بين مكونات التوصية وتطبيق المكون المحدد.
  • مختلط : يتم عرض التوصيات من جهات توصية مختلفة معًا لتقديم التوصية.
  • نظام التقييم المتتالي : يتم منح المُوصين أولوية صارمة، حيث يتم كسر التعادلات في نقاط المُوصين ذوي الأولوية الأقل.
  • المستوى الفوقي : يتم تطبيق إحدى تقنيات التوصية وتنتج نوعًا من النموذج، والذي يُستخدم كمدخل للتقنية التالية. [ 62 ]

التقنيات

أنظمة التوصية القائمة على الجلسات

تستخدم أنظمة التوصية هذه تفاعلات المستخدم خلال جلسة معينة [ 63 ] لتوليد التوصيات. تُستخدم أنظمة التوصية القائمة على الجلسات في يوتيوب [ 64 ] وأمازون [ 65 ] . وتُعدّ هذه الأنظمة مفيدة بشكل خاص عندما لا يتوفر سجل المستخدم (مثل النقرات والمشتريات السابقة) أو عندما لا يكون ذا صلة بجلسة المستخدم الحالية. تشمل المجالات التي تُعدّ فيها التوصيات القائمة على الجلسات ذات أهمية خاصة: الفيديو، والتجارة الإلكترونية، والسفر، والموسيقى، وغيرها. تعتمد معظم أنظمة التوصية القائمة على الجلسات على تسلسل التفاعلات الأخيرة خلال الجلسة دون الحاجة إلى أي تفاصيل إضافية (تاريخية أو ديموغرافية) عن المستخدم. وتعتمد تقنيات التوصيات القائمة على الجلسات بشكل أساسي على نماذج توليدية متسلسلة مثل الشبكات العصبية المتكررة [ 63 ] [ 66 ] ، والمحولات [ 67 ]، وغيرها من أساليب التعلم العميق [ 68 ] [ 69 ] .

التعلم المعزز لأنظمة التوصية

يمكن اعتبار مشكلة التوصية حالة خاصة من مشاكل التعلم المعزز، حيث يُمثل المستخدم البيئة التي يتفاعل معها نظام التوصية (الوكيل) للحصول على مكافأة، مثل نقرة أو تفاعل من المستخدم. [ 64 ] [ 70 ] [ 71 ] ومن أبرز جوانب التعلم المعزز، ذات الأهمية الخاصة في مجال أنظمة التوصية، إمكانية تعلم النماذج أو السياسات من خلال تقديم مكافأة لوكيل التوصية. وهذا على عكس تقنيات التعلم التقليدية التي تعتمد على أساليب التعلم الخاضع للإشراف الأقل مرونة، إذ تسمح تقنيات التوصية القائمة على التعلم المعزز بتدريب نماذج يمكن تحسينها مباشرةً بناءً على مقاييس التفاعل واهتمامات المستخدم. [ 72 ]

أنظمة التوصية متعددة المعايير

يمكن تعريف أنظمة التوصية متعددة المعايير (MCRS) بأنها أنظمة توصية تُدمج معلومات التفضيل بناءً على معايير متعددة. فبدلاً من تطوير تقنيات التوصية استنادًا إلى قيمة معيار واحد، وهو التفضيل العام للمستخدم u للعنصر i، تحاول هذه الأنظمة التنبؤ بتقييم العناصر غير المستكشفة للمستخدم u من خلال استغلال معلومات التفضيل بناءً على معايير متعددة تؤثر على قيمة التفضيل العامة هذه. يتناول العديد من الباحثين أنظمة التوصية متعددة المعايير باعتبارها مشكلة اتخاذ قرار متعدد المعايير (MCDM)، ويطبقون أساليب وتقنيات اتخاذ القرار متعدد المعايير لتنفيذ أنظمة التوصية متعددة المعايير. [ 73 ] انظر هذا الفصل [ 74 ] للاطلاع على مقدمة موسعة.

أنظمة التوصية الواعية بالمخاطر

تركز معظم المناهج الحالية لأنظمة التوصية على اقتراح المحتوى الأكثر صلةً بالمستخدمين باستخدام المعلومات السياقية، إلا أنها لا تأخذ في الحسبان خطر إزعاج المستخدم بإشعارات غير مرغوب فيها. من المهم مراعاة خطر إزعاج المستخدم من خلال إرسال التوصيات في ظروف معينة، مثل أثناء اجتماع عمل، أو في الصباح الباكر، أو في وقت متأخر من الليل. لذلك، يعتمد أداء نظام التوصية جزئيًا على مدى دمجه لهذا الخطر في عملية التوصية. أحد الخيارات لمعالجة هذه المشكلة هو نظام DRARS ، الذي يُنمذج التوصية الواعية بالسياق كمسألة قطاع طرق . يجمع هذا النظام بين تقنية قائمة على المحتوى وخوارزمية قطاع طرق سياقية. [ 75 ]

أنظمة التوصية عبر الهاتف المحمول

تستخدم أنظمة التوصية عبر الأجهزة المحمولة الهواتف الذكية المتصلة بالإنترنت لتقديم توصيات شخصية تتناسب مع السياق. يُعدّ هذا مجالًا بحثيًا بالغ الصعوبة، نظرًا لأن بيانات الأجهزة المحمولة أكثر تعقيدًا من البيانات التي تتعامل معها أنظمة التوصية عادةً. فهي غير متجانسة، ومليئة بالتشويش، وتتطلب ارتباطًا ذاتيًا مكانيًا وزمنيًا، كما أنها تعاني من مشاكل في التحقق من صحتها وعموميتها. [ 76 ]

هناك ثلاثة عوامل قد تؤثر على أنظمة التوصية عبر الهاتف المحمول ودقة نتائج التنبؤ: السياق، وطريقة التوصية، والخصوصية. [ 77 ] بالإضافة إلى ذلك، تعاني أنظمة التوصية عبر الهاتف المحمول من مشكلة عدم قابلية التطبيق في جميع المناطق - فقد لا تكون التوصيات مناسبة لجميع المناطق (على سبيل المثال، من غير الحكمة التوصية بوصفة طعام في منطقة قد لا تتوفر فيها جميع المكونات).

من الأمثلة على أنظمة التوصية عبر الهاتف المحمول ، الأساليب التي تتبعها شركات مثل أوبر وليفت لتحديد مسارات القيادة لسائقي سيارات الأجرة في المدينة. [ 76 ] يستخدم هذا النظام بيانات نظام تحديد المواقع العالمي (GPS) للمسارات التي يسلكها سائقو سيارات الأجرة أثناء عملهم، والتي تشمل الموقع (خط العرض وخط الطول)، والطوابع الزمنية، وحالة التشغيل (مع وجود ركاب أو بدونهم). ويستخدم هذه البيانات للتوصية بقائمة من نقاط الالتقاء على طول المسار، بهدف تحسين أوقات الإشغال والأرباح.

أنظمة التوصية التوليدية

تمثل أنظمة التوصية التوليدية (GR) منهجًا يحوّل مهام التوصية إلى مسائل تحويل تسلسلي ، حيث تُعامل إجراءات المستخدم كرموز في إطار نمذجة توليدية. في إحدى الطرق، المعروفة باسم HSTU (وحدات التحويل التسلسلي الهرمي) [ 78 ] ، تُعالج مجموعات البيانات عالية الكثافة وغير الثابتة والمتدفقة بكفاءة كسلاسل، مما يُمكّن النموذج من التعلّم من تريليونات المعلمات والتعامل مع سجلات إجراءات المستخدم التي تفوق مثيلاتها السابقة بأضعاف مضاعفة. من خلال تحويل جميع بيانات النظام المتنوعة إلى تدفق واحد من الرموز واستخدام منهج انتباه ذاتي مُخصّص بدلاً من طبقات الشبكة العصبية التقليدية ، تجعل أنظمة التوصية التوليدية النموذج أبسط بكثير وأقل استهلاكًا للذاكرة. ونتيجة لذلك، يمكنها تحسين جودة التوصية في عمليات المحاكاة التجريبية وفي الاختبارات الواقعية، مع كونها أسرع من الأنظمة السابقة القائمة على Transformer عند التعامل مع قوائم طويلة من إجراءات المستخدم. في نهاية المطاف، يسمح هذا النهج بنمو أداء النموذج بشكل مطرد مع استخدام المزيد من قوة الحوسبة، مما يضع الأساس لـ " نماذج أساسية " فعالة وقابلة للتطوير للتوصيات.

مجموعة نتفليكس

كانت جائزة نتفليكس من بين الأحداث التي حفزت البحث في أنظمة التوصية . ففي الفترة من 2006 إلى 2009، رعت نتفليكس مسابقةً، وقدمت جائزةً كبرى قدرها مليون دولار أمريكي للفريق الذي يستطيع استخدام مجموعة بيانات تضم أكثر من 100 مليون تقييم للأفلام، وتقديم توصيات أكثر دقة بنسبة 10% من تلك التي يقدمها نظام التوصية الحالي للشركة. وقد حفزت هذه المسابقة البحث عن خوارزميات جديدة وأكثر دقة. وفي 21 سبتمبر 2009، مُنحت الجائزة الكبرى، وقدرها مليون دولار أمريكي، لفريق "براغماتيك كاوس" التابع لشركة بيلكور، وذلك باستخدام قواعد كسر التعادل. [ 79 ]

استخدمت الخوارزمية الأكثر دقة في عام 2007 أسلوبًا تجميعيًا يضم 107 مناهج خوارزمية مختلفة، تم دمجها في تنبؤ واحد. كما ذكر الفائزون، بيل وآخرون: [ 80 ]

Predictive accuracy is substantially improved when blending multiple predictors. Our experience is that most efforts should be concentrated in deriving substantially different approaches, rather than refining a single technique. Consequently, our solution is an ensemble of many methods.

Many benefits accrued to the web due to the Netflix project. Some teams have taken their technology and applied it to other markets. Some members from the team that finished second place founded Gravity R&D, a recommendation engine that's active in the RecSys community.[79][81] 4-Tell, Inc. created a Netflix project–derived solution for ecommerce websites.

A number of privacy issues arose around the dataset offered by Netflix for the Netflix Prize competition. Although the data sets were anonymized in order to preserve customer privacy, in 2007 two researchers from the University of Texas were able to identify individual users by matching the data sets with film ratings on the Internet Movie Database (IMDb).[82] As a result, in December 2009, an anonymous Netflix user sued Netflix in Doe v. Netflix, alleging that Netflix had violated United States fair trade laws and the Video Privacy Protection Act by releasing the datasets.[83] This, as well as concerns from the Federal Trade Commission, led to the cancellation of a second Netflix Prize competition in 2010.[84]

Evaluation

Performance measures

Evaluation is important in assessing the effectiveness of recommendation algorithms. To measure the effectiveness of recommender systems, and compare different approaches, three types of evaluations are available: user studies, online evaluations (A/B tests), and offline evaluations.[47]

The commonly used metrics are the mean squared error and root mean squared error, the latter having been used in the Netflix Prize. The information retrieval metrics such as precision and recall or discounted cumulative gain (DCG) are useful to assess the quality of a recommendation method. Diversity, novelty, and coverage are also considered as important aspects in evaluation.[85] However, many of the classic evaluation measures are highly criticized.[86]

يُعدّ تقييم أداء خوارزمية التوصيات على مجموعة بيانات اختبار ثابتة أمرًا بالغ الصعوبة، إذ يستحيل التنبؤ بدقة بردود فعل المستخدمين الحقيقيين تجاه التوصيات. لذا، فإن أي مقياس يُحسب فعالية الخوارزمية باستخدام بيانات غير متصلة بالإنترنت سيكون غير دقيق.

تُجرى دراسات المستخدمين على نطاق صغير نسبياً. حيث يتم عرض توصيات تم إنشاؤها بواسطة مناهج توصية مختلفة على بضع عشرات أو مئات من المستخدمين، ثم يقوم المستخدمون بتقييم أي التوصيات هي الأفضل.

في اختبارات A/B، تُعرض التوصيات عادةً على آلاف المستخدمين لمنتج حقيقي، ويختار نظام التوصيات عشوائيًا نهجين مختلفين على الأقل لتوليد التوصيات. ويتم قياس الفعالية بمقاييس ضمنية مثل معدل التحويل أو معدل النقر .

تعتمد التقييمات غير المتصلة بالإنترنت على البيانات التاريخية، على سبيل المثال مجموعة بيانات تحتوي على معلومات حول كيفية تقييم المستخدمين للأفلام سابقًا. [ 87 ]

تُقاس فعالية أساليب التوصية بناءً على مدى قدرتها على التنبؤ بتقييمات المستخدمين في مجموعة البيانات. ورغم أن التقييم يُعد تعبيرًا صريحًا عن إعجاب المستخدم بفيلم ما، إلا أن هذه المعلومات غير متاحة في جميع المجالات. فعلى سبيل المثال، في مجال أنظمة التوصية بالاقتباسات، لا يُقيّم المستخدمون عادةً الاقتباسات أو المقالات المُوصى بها. في مثل هذه الحالات، قد تستخدم التقييمات غير المتصلة بالإنترنت مقاييس ضمنية للفعالية. فعلى سبيل المثال، يُفترض أن نظام التوصية فعال إذا كان قادرًا على التوصية بأكبر عدد ممكن من المقالات الواردة في قائمة مراجع مقال بحثي. ومع ذلك، يرى العديد من الباحثين أن هذا النوع من التقييمات غير المتصلة بالإنترنت غير دقيق. [ 88 ] [ 89 ] [ 90 ] [ 47 ] فعلى سبيل المثال، تبين أن نتائج التقييمات غير المتصلة بالإنترنت ترتبط ارتباطًا ضعيفًا بنتائج دراسات المستخدمين أو اختبارات A/B. [ 90 ] [ 91 ] كما تبين أن مجموعة بيانات شائعة الاستخدام في التقييم غير المتصل بالإنترنت تحتوي على بيانات مكررة، مما قد يؤدي إلى استنتاجات خاطئة في تقييم الخوارزميات. [ 92 ] غالبًا ما لا تتطابق نتائج ما يُسمى بالتقييمات غير المتصلة بالإنترنت مع رضا المستخدم المُقاس فعليًا. [ 93 ] يُعزى ذلك على الأرجح إلى أن التدريب غير المتصل بالإنترنت يميل بشدة نحو العناصر التي يسهل الوصول إليها، وأن بيانات الاختبار غير المتصلة بالإنترنت تتأثر بشدة بمخرجات وحدة التوصيات المتصلة بالإنترنت. [ 88 ] [ 94 ] وقد خلص الباحثون إلى ضرورة النظر إلى نتائج التقييمات غير المتصلة بالإنترنت نظرة نقدية. [ 95 ]

يتجاوز الدقة

عادةً ما تركز الأبحاث المتعلقة بأنظمة التوصية على إيجاد خوارزميات التوصية الأكثر دقة. ومع ذلك، هناك عدد من العوامل المهمة أيضاً.

  • التنوع – يميل المستخدمون إلى أن يكونوا أكثر رضا عن التوصيات عندما يكون هناك تنوع أكبر داخل القائمة، على سبيل المثال، عناصر من فنانين مختلفين. [ 96 ] [ 97 ]
  • استمرارية التوصيات – في بعض الحالات، يكون من الأجدى إعادة عرض التوصيات [ 98 ] أو السماح للمستخدمين بإعادة تقييم العناصر [ 99 ] بدلاً من عرض عناصر جديدة. وهناك عدة أسباب لذلك، منها أن المستخدمين قد يتجاهلون العناصر عند عرضها لأول مرة، على سبيل المثال، لعدم توفر الوقت الكافي لديهم لفحص التوصيات بدقة.
  • الخصوصية - عادةً ما تواجه أنظمة التوصية مخاوف تتعلق بالخصوصية [ 100 ] لأن المستخدمين مُطالبون بالكشف عن معلومات حساسة. وقد يُشكل بناء ملفات تعريف المستخدمين باستخدام التصفية التعاونية إشكالية من منظور الخصوصية. تتمتع العديد من الدول الأوروبية بثقافة راسخة لحماية البيانات ، وأي محاولة لإدخال أي مستوى من ملفات تعريف المستخدمين قد تُؤدي إلى ردود فعل سلبية من العملاء. وقد أُجريت العديد من الأبحاث حول قضايا الخصوصية المُستمرة في هذا المجال. وتُعد جائزة نتفليكس جديرة بالذكر بشكل خاص لما تتضمنه من معلومات شخصية مُفصلة في مجموعة بياناتها. وقد أجرى راماكريشنان وآخرون دراسة شاملة للمفاضلات بين التخصيص والخصوصية، ووجدوا أن الجمع بين الروابط الضعيفة (وهي صلة غير متوقعة تُقدم توصيات مُوفقة) ومصادر البيانات الأخرى يُمكن استخدامه للكشف عن هويات المستخدمين في مجموعة بيانات مجهولة المصدر. [ 101 ]
  • الخصائص الديموغرافية للمستخدمين – وجد بيل وآخرون أن الخصائص الديموغرافية للمستخدمين قد تؤثر على مدى رضاهم عن التوصيات. [ 102 ] ويوضحون في بحثهم أن المستخدمين كبار السن يميلون إلى أن يكونوا أكثر اهتمامًا بالتوصيات من المستخدمين الأصغر سنًا.
  • المتانة – عندما يتمكن المستخدمون من المشاركة في نظام التوصيات، يجب معالجة مسألة الاحتيال. [ 103 ]
  • الصدفة - تُعدّ الصدفة مقياسًا لمدى "مدى مفاجأة التوصيات". [ 104 ] [ 97 ] على سبيل المثال، قد يكون نظام التوصيات الذي يُوصي بالحليب لأحد العملاء في متجر بقالة دقيقًا تمامًا، ولكنه ليس توصية جيدة لأنه سلعة بديهية للعميل. "[الصدفة] تخدم غرضين: أولًا، تقل احتمالية فقدان المستخدمين للاهتمام بسبب تجانس مجموعة الخيارات. ثانيًا، هذه العناصر ضرورية لتعلّم الخوارزميات وتحسين أدائها". [ 105 ]
  • الثقة – لا يُفيد نظام التوصيات المستخدم كثيرًا إن لم يثق به. [ 106 ] ويمكن بناء الثقة من خلال شرح آلية توليد التوصيات، وأسباب التوصية بمنتجٍ ما.
  • التصنيف – قد يتأثر رضا المستخدمين عن التوصيات بتصنيفها. [ 107 ] على سبيل المثال، في الدراسة المذكورة، كان معدل النقر (CTR) للتوصيات المصنفة على أنها "إعلان ممول" أقل (CTR=5.93%) من معدل النقر للتوصيات المماثلة المصنفة على أنها "عضوية" (CTR=8.86%). وكانت التوصيات غير المصنفة هي الأفضل أداءً (CTR=9.87%) في تلك الدراسة.

قابلية التكرار

من المعروف أن أنظمة التوصية يصعب تقييمها خارج الإنترنت، حيث يرى بعض الباحثين أن هذا الأمر قد أدى إلى أزمة في إمكانية إعادة إنتاج نتائجها في منشورات أنظمة التوصية. ويبدو أن موضوع إمكانية إعادة الإنتاج يمثل مشكلة متكررة في بعض منشورات التعلم الآلي، ولكنه لا يحظى بتأثير كبير خارج نطاق النشر العلمي. وفي سياق أنظمة التوصية، استعرضت ورقة بحثية نُشرت عام 2019 عددًا محدودًا من المنشورات المختارة بعناية والتي تُطبق أساليب التعلم العميق أو الشبكات العصبية على مشكلة التوصية بأفضل k نتيجة، والمنشورة في مؤتمرات مرموقة (SIGIR، KDD، WWW، RecSys ، IJCAI). وقد أظهرت الورقة أن أقل من 40% من المقالات في المتوسط ​​قابلة لإعادة الإنتاج من قِبل مؤلفي الدراسة، مع نسبة ضئيلة تصل إلى 14% في بعض المؤتمرات. وتتناول المقالة عددًا من المشكلات المحتملة في البحث العلمي الحالي، وتقترح ممارسات علمية مُحسّنة في هذا المجال. [ 108 ] [ 109 ] [ 110 ] توصلت دراسات حديثة أجريت على تقييم مجموعة من الأساليب نفسها إلى نتائج مختلفة نوعيًا [ 111 ] ، حيث تبين أن الأساليب العصبية من بين أفضل الأساليب أداءً. وقد استُخدمت أساليب التعلم العميق والأساليب العصبية لأنظمة التوصية في الحلول الفائزة في العديد من تحديات أنظمة التوصية الحديثة، مثل WSDM [ 112 ] وRecSys Challenge [ 113 ] . علاوة على ذلك، تُستخدم أساليب التعلم العصبي والعميق على نطاق واسع في الصناعة حيث تخضع لاختبارات مكثفة [ 114 ] [ 64 ] [ 65 ] . إن موضوع قابلية التكرار ليس جديدًا في أنظمة التوصية. ففي عام 2011، انتقد إكستراند وكونستان وآخرون صعوبة إعادة إنتاج نتائج أبحاث أنظمة التوصية وتوسيع نطاقها، وعدم اتساق عمليات التقييم . [ 115 ] يخلص كونستان وأدومافيسيوس إلى أن "مجتمع البحث في أنظمة التوصية يواجه أزمةً تتمثل في أن عددًا كبيرًا من الأوراق البحثية يقدم نتائج لا تُسهم إلا قليلًا في المعرفة الجماعية [...] غالبًا لأن البحث يفتقر إلى [...] التقييم اللازم للحكم عليه بشكل صحيح، وبالتالي، لتقديم مساهمات ذات مغزى." [ 116 ] ونتيجةً لذلك، يمكن اعتبار الكثير من الأبحاث المتعلقة بأنظمة التوصية غير قابلة للتكرار. [ 117 ] ومن ثم، يجد مُشغّلو أنظمة التوصية القليل من التوجيه في الأبحاث الحالية للإجابة على السؤال التالي : ما هي مناهج التوصية التي ينبغي استخدامها في أنظمة التوصية؟أجرى بيلوجين دراسةً للأوراق البحثية المنشورة في هذا المجال، وقام بتقييم بعض أطر التوصية الأكثر شيوعًا، ووجد تباينات كبيرة في النتائج، حتى عند استخدام نفس الخوارزميات ومجموعات البيانات. [ 118 ] وأظهر بعض الباحثين أن اختلافات طفيفة في خوارزميات التوصية أو السيناريوهات تؤدي إلى تغييرات كبيرة في فعالية نظام التوصية. وخلصوا إلى أن سبعة إجراءات ضرورية لتحسين الوضع الحالي: [ 117 ] "(1) استعراض مجالات بحثية أخرى والتعلم منها، (2) التوصل إلى فهم مشترك لإمكانية التكرار، (3) تحديد وفهم العوامل المؤثرة على إمكانية التكرار، (4) إجراء تجارب أكثر شمولًا، (5) تحديث ممارسات النشر، (6) تشجيع تطوير واستخدام أطر التوصية، و(7) وضع إرشادات لأفضل الممارسات في أبحاث أنظمة التوصية."

تطبيقات الذكاء الاصطناعي في مجال التوصيات

تُعدّ تطبيقات الذكاء الاصطناعي في أنظمة التوصية منهجيات متقدمة تستفيد من تقنيات الذكاء الاصطناعي لتحسين أداء محركات التوصية. يستطيع نظام التوصية القائم على الذكاء الاصطناعي تحليل مجموعات البيانات المعقدة، والتعلم من سلوك المستخدمين وتفضيلاتهم وتفاعلاتهم، لتوليد اقتراحات دقيقة ومخصصة للمحتوى أو المنتجات. [ 119 ] وقد مثّل دمج الذكاء الاصطناعي في أنظمة التوصية نقلة نوعية مقارنةً بأساليب التوصية التقليدية. إذ كانت هذه الأساليب تعتمد غالبًا على خوارزميات غير مرنة تقترح عناصر بناءً على اتجاهات المستخدمين العامة أو أوجه التشابه الظاهرة في المحتوى. في المقابل، تتمتع الأنظمة المدعومة بالذكاء الاصطناعي بالقدرة على اكتشاف الأنماط والفروق الدقيقة التي قد تغفلها الأساليب التقليدية. [ 120 ] تستطيع هذه الأنظمة التكيف مع التفضيلات الفردية، وبالتالي تقديم توصيات أكثر توافقًا مع احتياجات المستخدمين. يُمثّل هذا النهج تحولًا نحو اقتراحات أكثر تخصيصًا وتركيزًا على المستخدم.

تعتمد أنظمة التوصية على نطاق واسع تقنيات الذكاء الاصطناعي ، مثل التعلم الآلي والتعلم العميق ومعالجة اللغة الطبيعية . [ 121 ] تُعزز هذه الأساليب المتقدمة قدرات النظام على التنبؤ بتفضيلات المستخدم وتقديم محتوى مُخصص بدقة أكبر. تُساهم كل تقنية بشكل فريد. ستُقدم الأقسام التالية نماذج محددة من الذكاء الاصطناعي التي يستخدمها نظام التوصية، مع توضيح نظرياتها ووظائفها.

المرشحات التعاونية القائمة على خوارزمية الجيران الأقرب (KNN)

يُعدّ الترشيح التعاوني (CF) أحد أكثر خوارزميات أنظمة التوصية شيوعًا. فهو يُولّد اقتراحات مُخصصة للمستخدمين بناءً على أنماط سلوكية صريحة أو ضمنية لتكوين تنبؤات. [ 122 ] ويعتمد تحديدًا على تعليقات خارجية مثل تقييمات النجوم وسجل الشراء وغيرها لإصدار الأحكام. ويتنبأ الترشيح التعاوني بتفضيلات المستخدمين بناءً على مقاييس التشابه. وتتلخص النظرية الأساسية في: "إذا كان المستخدم (أ) مشابهًا للمستخدم (ب)، وإذا أعجب (أ) بالمنتج (ج)، فمن المرجح أن يُعجب (ب) أيضًا بالمنتج (ج)".

تتوفر العديد من النماذج للترشيح التعاوني. في مجال الترشيح التعاوني المُطبق على الذكاء الاصطناعي، يُعد نموذج "أقرب الجيران K" نموذجًا شائعًا . وتتلخص أفكاره فيما يلي:

  1. تمثيل البيانات : أنشئ فضاءً متعدد الأبعاد حيث يمثل كل محور سمة من سمات المستخدم (التقييمات، المشتريات، إلخ). مثّل المستخدم كنقطة في ذلك الفضاء.
  2. المسافة الإحصائية : تقيس "المسافة" مدى تباعد المستخدمين في هذا الفضاء. راجع قسم المسافة الإحصائية للاطلاع على تفاصيل الحساب.
  3. تحديد الجيران : بناءً على المسافات المحسوبة، يتم إيجاد أقرب k جار للمستخدم الذي نرغب في تقديم توصيات له.
  4. تكوين توصيات تنبؤية : سيقوم النظام بتحليل التفضيلات المتشابهة للجيران k. وسيقدم النظام توصيات بناءً على هذا التشابه.

الشبكات العصبية

الشبكة العصبية الاصطناعية (ANN) هي نموذج تعلّم عميق يهدف إلى محاكاة الدماغ البشري. تتألف من سلسلة من الخلايا العصبية، كل منها مسؤول عن استقبال ومعالجة المعلومات الواردة من الخلايا العصبية الأخرى المتصلة بها. [ 123 ] وكما هو الحال في الدماغ البشري، تُغيّر هذه الخلايا العصبية حالة تنشيطها بناءً على الإشارات الواردة (مدخلات التدريب والمخرجات المُعاد نشرها)، مما يسمح للنظام بتعديل أوزان التنشيط خلال مرحلة تعلّم الشبكة. عادةً ما تُصمّم الشبكة العصبية الاصطناعية لتكون نموذجًا مغلق الصندوق . على عكس التعلّم الآلي التقليدي حيث تكون المكونات النظرية الأساسية رسمية وجامدة، فإن التأثيرات التعاونية للخلايا العصبية ليست واضحة تمامًا، ولكن التجارب الحديثة أظهرت القدرة التنبؤية للشبكة العصبية الاصطناعية.

تُستخدم الشبكات العصبية الاصطناعية على نطاق واسع في أنظمة التوصية لقدرتها على الاستفادة من البيانات المتنوعة. فإلى جانب بيانات التغذية الراجعة، تستطيع هذه الشبكات دمج بيانات أخرى غير بيانات التغذية الراجعة، والتي يصعب على الترشيح التعاوني تعلمها، كما أن بنيتها الفريدة تُمكّنها من استخلاص إشارات إضافية من هذه البيانات لتحسين تجربة المستخدم. [ 121 ] فيما يلي بعض الأمثلة:

  • الوقت والموسمية : ما الذي يحدد الوقت والتاريخ أو الموسم الذي يتفاعل فيه المستخدم مع المنصة؟
  • أنماط تنقل المستخدم : تسلسل الصفحات التي تمت زيارتها، والوقت الذي يقضيه المستخدم في أجزاء مختلفة من موقع الويب، وحركة الماوس، وما إلى ذلك.
  • الاتجاهات الاجتماعية الخارجية : معلومات من وسائل التواصل الاجتماعي الخارجية

نموذج البرجين

يُعد نموذج البرجين بنية عصبية [ 124 ] شائعة الاستخدام في أنظمة التوصية واسعة النطاق، وخاصةً لمهام استرجاع المرشحين. [ 125 ] ويتكون من شبكتين عصبيتين:

  • برج المستخدم : يقوم بتشفير الميزات الخاصة بالمستخدم، مثل سجل التفاعل أو البيانات الديموغرافية.
  • برج العناصر : يقوم بتشفير الميزات الخاصة بالعناصر، مثل البيانات الوصفية أو تضمينات المحتوى.

تُنتج الخوارزميتان تمثيلات ثابتة الطول تمثل المستخدمين والعناصر في فضاء متجهي مشترك. ويُستخدم مقياس تشابه، مثل حاصل الضرب النقطي أو تشابه جيب التمام ، لقياس مدى الصلة بين المستخدم والعنصر.

يتميز هذا النموذج بكفاءة عالية مع مجموعات البيانات الكبيرة، حيث يمكن حساب تمثيلات العناصر مسبقًا، مما يسمح باسترجاعها بسرعة أثناء الاستدلال. ويُستخدم غالبًا بالتزامن مع نماذج الترتيب في مسارات التوصية الشاملة.

معالجة اللغة الطبيعية

معالجة اللغة الطبيعية هي مجموعة من خوارزميات الذكاء الاصطناعي التي تجعل اللغة البشرية الطبيعية قابلة للفهم والتحليل بواسطة الآلة. [ 126 ] وهي تقنية حديثة نسبياً مستوحاة من الكم الهائل من المعلومات النصية. ومن الأمثلة الشائعة لتطبيقاتها في أنظمة التوصيات، تقييمات عملاء أمازون . حيث تقوم أمازون بتحليل تعليقات العملاء وتقديم البيانات ذات الصلة للعملاء الآخرين كمرجع. وقد شهدت السنوات الأخيرة تطور نماذج تحليل النصوص المختلفة، بما في ذلك التحليل الدلالي الكامن (LSA)، وتحليل القيم المفردة (SVD)، وتخصيص ديريشلي الكامن (LDA)، وغيرها. وتهدف هذه النماذج باستمرار إلى تزويد العملاء بتوصيات أكثر دقة وتخصيصاً.

انظر أيضاً

مراجع

  1. 1234Ricci, Francesco; Rokach, Lior; Shapira, Bracha (2022). "Recommender Systems: Techniques, Applications, and Challenges". In Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Recommender Systems Handbook (3 ed.). New York: Springer. pp. 1–35. doi:10.1007/978-1-0716-2197-4_1. ISBN 978-1-0716-2196-7.
  2. ↑Lev Grossman (May 27, 2010). "How Computers Know What We Want — Before We Do". TIME. Archived from the original on May 30, 2010. Retrieved June 1, 2015.
  3. ↑Roy, Deepjyoti; Dutta, Mala (2022). "A systematic review and research perspective on recommender systems". Journal of Big Data. 9 (59) 59. doi:10.1186/s40537-022-00592-5.
  4. 12Resnick, Paul, and Hal R. Varian. "Recommender systems." Communications of the ACM 40, no. 3 (1997): 56–58.
  5. ↑"Twitter/The-algorithm". GitHub.
  6. ↑"Xai-org/X-algorithm". GitHub.
  7. ↑Gupta, Pankaj; Goel, Ashish; Lin, Jimmy; Sharma, Aneesh; Wang, Dong; Zadeh, Reza (2013). "WTF: the who to follow service at Twitter". Proceedings of the 22nd International Conference on World Wide Web. Association for Computing Machinery. pp. 505–514. doi:10.1145/2488388.2488433. ISBN 9781450320351.
  8. ↑Baran, Remigiusz; Dziech, Andrzej; Zeja, Andrzej (June 1, 2018). "A capable multimedia content discovery platform based on visual content analysis and intelligent data enrichment". Multimedia Tools and Applications. 77 (11): 14077–14091. doi:10.1007/s11042-017-5014-1. ISSN 1573-7721. S2CID 36511631.
  9. ↑H. Chen, A. G. Ororbia II, C. L. Giles ExpertSeer: a Keyphrase Based Expert Recommender for Digital Libraries, in arXiv preprint 2015
  10. ↑Chen, Hung-Hsuan; Gou, Liang; Zhang, Xiaolong; Giles, Clyde Lee (2011). "CollabSeer: a search engine for collaboration discovery"(PDF). Proceedings of the 11th Annual International ACM/IEEE Joint Conference on Digital Libraries. Association for Computing Machinery. pp. 231–240. doi:10.1145/1998076.1998121. ISBN 9781450307444.
  11. ↑Felfernig, Alexander; Isak, Klaus; Szabo, Kalman; Zachar, Peter (2007). "The VITA Financial Services Sales Support Environment"(PDF). In William Cheetham (ed.). Proceedings of the 19th National Conference on Innovative Applications of Artificial Intelligence, vol. 2. pp. 1692–1699. ISBN 9781577353232. ACM Copy.
  12. 12jobs (September 3, 2014). "How to tame the flood of literature : Nature News & Comment". Nature. 513 (7516). Nature.com: 129–130. doi:10.1038/513129a. PMID 25186906. S2CID 4460749.
  13. ↑Analysis (December 14, 2011). "Netflix Revamps iPad App to Improve Content Discovery". WIRED. Retrieved December 31, 2015.
  14. ↑Melville, Prem; Sindhwani, Vikas (2010). "Recommender Systems"(PDF). In Claude Sammut; Geoffrey I. Webb (eds.). Encyclopedia of Machine Learning. Springer. pp. 829–838. doi:10.1007/978-0-387-30164-8_705. ISBN 978-0-387-30164-8.
  15. ↑R. J. Mooney & L. Roy (1999). Content-based book recommendation using learning for text categorization. In Workshop Recom. Sys.: Algo. and Evaluation.
  16. ↑Haupt, Jon (June 1, 2009). "Last.fm: People-Powered Online Radio". Music Reference Services Quarterly. 12 (1–2): 23–24. doi:10.1080/10588160902816702. ISSN 1058-8167. S2CID 161141937.
  17. ↑"About The Music Genome Project®". www.pandora.com. Archived from the original on August 14, 2014. Retrieved June 3, 2025.
  18. 1 2 تشين، هونغ-هسوان؛ تشين، بو (9 يناير 2019). "تفريق أوزان التنظيم - آلية بسيطة للتخفيف من مشكلة البداية الباردة في أنظمة التوصية". معاملات ACM لاكتشاف المعرفة من البيانات . 13 : 1-22 . doi : 10.1145/3285954 . S2CID 59337456 . 
  19. 1 2 روبنز، نيل؛ إلاهي، مهدي؛ سوجياما، ماساشي؛ كابلان، داين (2016). "التعلم النشط في أنظمة التوصية" . في ريتشي، فرانشيسكو؛ روكاش، ليور؛ شابيرا، براخا (محررون). دليل أنظمة التوصية (الطبعة الثانية ). سبرينغر الولايات المتحدة. ص 809-846 . doi : 10.1007/978-1-4899-7637-6_24 . ISBN   978-1-4899-7637-6.
  20. ↑ بوباديلا، ج.؛ أورتيغا، ف.؛ هيرناندو، أ.؛ ألكالا، ج. (2011). "تحسين نتائج وأداء نظام التوصية القائم على الترشيح التعاوني باستخدام الخوارزميات الجينية". أنظمة قائمة على المعرفة . 24 (8): 1310-1316 . doi : 10.1016/j.knosys.2011.06.005 .
  21. 1 2 إلهي، مهدي؛ ريتشي، فرانشيسكو؛ روبنز، نيل (2016). "دراسة استقصائية للتعلم النشط في أنظمة التوصية القائمة على الترشيح التعاوني" . مجلة علوم الحاسوب . 20 : 29-50 . doi : 10.1016/j.cosrev.2016.05.002 .
  22. ↑ أندرو آي. شاين؛ ألكسندرين بوبيسكول؛ لايل إتش. أونغار ؛ ديفيد إم. بينوك (2002). أساليب ومقاييس توصيات البدء البارد . وقائع المؤتمر الدولي السنوي الخامس والعشرين لجمعية ACM SIGIR حول البحث والتطوير في استرجاع المعلومات (SIGIR 2002). ACM . الصفحات 253-260 . ISBN  1-58113-561-0تم الاطلاع عليه بتاريخ 2 فبراير 2008 .
  23. 1 2 بي، شوان؛ كو، آني؛ وانغ، جون هوي؛ شين، شياوتونغ (2017). "نظام توصية خاص بالمجموعات" (ملف PDF) . مجلة الجمعية الإحصائية الأمريكية . 112 (519): 1344-1353 . doi : 10.1080/01621459.2016.1219261 . S2CID 125187672 . 
  24. ↑ بنغاني، جوناثان ستراي، لوك ثوربورن، بريانجانا (16 أكتوبر 2023). "ما الفرق بين البحث والتوصية؟ | TechPolicy.Press" . Tech Policy Press . تم الاطلاع عليه في 3 يونيو 2025 .{{cite web}}: صيانة CS1: أسماء متعددة: قائمة المؤلفين ( رابط )
  25. ↑ ستاك، تشارلز. " نظام وطريقة لتقديم توصيات بشأن السلع والخدمات بناءً على سجل تاريخ الشراء المسجل ." براءة اختراع أمريكية رقم 7,222,085، صدرت في 22 مايو 2007.
  26. ↑ هيرز، فريدريك إس إم. "الصحف والإعلانات الإلكترونية المخصصة". براءة اختراع أمريكية رقم 7,483,871، صدرت في 27 يناير 2009.
  27. ↑ هيرز، فريدريك، لايل أونجار، جيان تشانغ، وديفيد واشوب. " نظام وطريقة لتوفير الوصول إلى البيانات باستخدام ملفات تعريف العملاء ." براءة اختراع أمريكية رقم 8,056,100، صدرت في 8 نوفمبر 2011.
  28. ↑ هاربيك، أندرو ف.، وريان ج. سنودغراس، وجويل ر. شبيغل. " الكشف القائم على قوائم التشغيل عن الأعمال الرقمية المتشابهة ومنشئي الأعمال ". براءة اختراع أمريكية رقم 8,468,046، صدرت في 18 يونيو 2013.
  29. ↑ ليندن، غريغوري د.، برنت راسل سميث، ونيدا ك. زادة. " الكشف الآلي عن العلاقات القائمة على السلوك بين العناصر القابلة للتصفح وعرضها ." براءة اختراع أمريكية رقم 9,070,156، صدرت في 30 يونيو 2015.
  30. ↑ "مكتبات برامج أنظمة التوصية وواجهات برمجة التطبيقات - RS_c" . تم الاطلاع عليه بتاريخ 18 نوفمبر 2024 .
  31. ↑ إكستراند، مايكل (21 أغسطس 2018). "حزمة LKPY لتجارب أنظمة التوصية" . منشورات وعروض كلية علوم الحاسوب . جامعة ولاية بويز، ScholarWorks. doi : 10.18122/cs_facpubs/147/boisestate .
  32. ↑ فينت، توبياس؛ إكستراند، مايكل؛ بيل، جويران (14 سبتمبر 2023). "تقديم LensKit-Auto، وهي مجموعة أدوات تجريبية لنظام التوصية الآلي (AutoRecSys)" . وقائع المؤتمر السابع عشر لجمعية ACM لأنظمة التوصية . ACM. الصفحات 1212-1216 . doi : 10.1145/3604915.3610656 . ISBN  979-8-4007-0241-9.
  33. ^ تشاو، واين شين؛ مو، شانلي. هو، يوبينج؛ لين، زيهان؛ تشن، يوشو؛ بان، شينغيو؛ لي، كاييوان؛ لو، يوجي؛ وانغ، هوي؛ تيان، تشانغشين؛ مين، ينج تشيان؛ فنغ، تشيتشاو؛ فان، شينيان؛ تشن، شو؛ وانغ ، بنغفي (26 أكتوبر 2021). "RecBole: نحو إطار موحد وشامل وفعال لخوارزميات التوصية" . وقائع المؤتمر الدولي الثلاثين ACM لإدارة المعلومات والمعرفة . ايه سي ام. ص 4653 – 4664. أرخايف : 2011.01731 . دوى : 10.1145/3459637.3482016 . رقم ISBN  978-1-4503-8446-9.
  34. ^ لي ، جيايو. لي، هانيو؛ هو تشيو. ما، ويزي. صن، بيجي؛ تشانغ، مين؛ ما ، شاوبينج (8 أكتوبر 2024). "ReChorus2.0: مكتبة توصيات معيارية ومرنة المهام" . مؤتمر ACM الثامن عشر لأنظمة التوصية . ايه سي ام. ص 454 – 464. دوى : 10.1145 / 3640457.3688076 . رقم ISBN  979-8-4007-0505-2.
  35. ↑ ميشيلز، لين؛ فيراخترت، روبن؛ جوثالز، بارت (18 سبتمبر 2022). "RecPack: مجموعة أدوات تجريبية (أخرى) لتوصية أفضل N باستخدام بيانات التغذية الراجعة الضمنية" . وقائع المؤتمر السادس عشر لجمعية ACM لأنظمة التوصية . ACM. الصفحات 648-651 . doi : 10.1145/3523227.3551472 . ISBN  978-1-4503-9278-5.
  36. ↑ بيل، جويران، وآخرون. أنظمة التوصية الورقية: دراسة استقصائية للأدبيات. المجلة الدولية للمكتبات الرقمية، 2016، 17. ج.، العدد 4، ص. 305-338.
  37. ↑ ريتش، إيلين. نمذجة المستخدم عبر الصور النمطية. العلوم المعرفية، 1979، 3. Jg.، رقم 4، ص 329-354.
  38. ↑ كارلغرين، جوسي. " جبر للتوصيات". مؤرشف في 25-05-2024 في آلة Wayback . ورقة عمل Syslab رقم 179 (1990).
  39. ↑ كارلغرين، جوسي. " تجميع مجموعات الأخبار بناءً على سلوك المستخدم - جبر التوصيات مؤرشف في 27 فبراير 2021، في Wayback Machine ." تقرير بحث SICS (1994).
  40. ↑ كارلغرين، جوسي (أكتوبر 2017). "رف كتب رقمي: عمل أصلي حول أنظمة التوصية" . تم الاسترجاع في 27 أكتوبر 2017 .
  41. ↑ شارداناند، أوبيندرا، وباتي مايس. " تصفية المعلومات الاجتماعية: خوارزميات لأتمتة "التوصيات الشفهية" ". في وقائع مؤتمر SIGCHI حول العوامل البشرية في أنظمة الحوسبة، الصفحات 210-217. مطبعة ACM/شركة أديسون-ويسلي للنشر، 1995.
  42. ↑ هيل، ويل، ولاري ستيد، ومارك روزنشتاين، وجورج فورناس. " التوصية بالخيارات وتقييمها في مجتمع استخدام افتراضي. مؤرشف بتاريخ 21-12-2018 في Wayback Machine ." في وقائع مؤتمر SIGCHI حول العوامل البشرية في أنظمة الحوسبة، الصفحات 194-201. مطبعة ACM/شركة أديسون-ويسلي للنشر، 1995.
  43. ↑ ريسنيك، بول، نيوفيتوس ياكوفو، ميتيش سوتشاك، بيتر بيرجستروم، وجون ريدل. " GroupLens: بنية مفتوحة للتصفية التعاونية للأخبار الإلكترونية ". في وقائع مؤتمر ACM لعام 1994 حول العمل التعاوني المدعوم بالحاسوب، الصفحات 175-186. ACM، 1994.
  44. ↑ مونتانير، م.؛ لوبيز، ب.؛ دي لا روزا، ج. ل. (يونيو 2003). "تصنيف وكلاء التوصية على الإنترنت". مراجعة الذكاء الاصطناعي . 19 (4): 285-330 . doi : 10.1023/A:1022850703159 . S2CID 16544257 . .
  45. 1 2 أدومافيشيوس، ج.؛ توزيلين، أ. (يونيو 2005). "نحو الجيل القادم من أنظمة التوصية: دراسة استقصائية لأحدث التقنيات والتوسعات الممكنة" . معاملات IEEE في هندسة المعرفة والبيانات . 17 (6): 734-749 . Bibcode : 2005IDSO...17..734A . CiteSeerX 10.1.1.107.2790 . doi : 10.1109/TKDE.2005.99 . S2CID 206742345 .  .
  46. ↑ هيرلوكر، جيه إل؛ كونستان، جيه إيه؛ تيرفين، إل جي؛ ريدل، جيه تي (يناير 2004). "تقييم أنظمة التوصية القائمة على الترشيح التعاوني". مجلة ACM للمعاملات في نظم المعلومات . 22 (1): 5-53 . CiteSeerX 10.1.1.78.8384 . doi : 10.1145/963770.963772 . S2CID 207731647 .  .
  47. 1 2 3 بيل، ج.؛ جينزمير، م.؛ جيب، ب. (أكتوبر 2013). "تحليل مقارن للتقييمات غير المتصلة بالإنترنت والمتصلة بالإنترنت ومناقشة تقييم نظام التوصية للأوراق البحثية" (ملف PDF) . وقائع ورشة العمل الدولية حول قابلية التكرار والتكرار في تقييم أنظمة التوصية . الصفحات 7-14 . doi : 10.1145/2532508.2532511 . ISBN  978-1-4503-2465-6S2CID 8202591. مؤرشف من الأصل (PDF) بتاريخ 17 أبريل 2016. تم الاطلاع عليه بتاريخ 22 أكتوبر 2013 . 
  48. ↑ بيل، ج.؛ لانجر، س.؛ جينزمير، م.؛ جيب، ب.؛ بريتينجر، س. (أكتوبر 2013). "تقييم نظام التوصية للأوراق البحثية: دراسة كمية للأدبيات" (ملف PDF) . وقائع ورشة العمل الدولية حول إمكانية التكرار والتطبيق في تقييم أنظمة التوصية . الصفحات 15-22 . doi : 10.1145/2532508.2532512 . ISBN  978-1-4503-2465-6. S2CID 4411601 . 
  49. ↑ بيل، ج.؛ جيب، ب.؛ لانجر، س.؛ بريتينجر، س. (26 يوليو 2015). "أنظمة التوصية بالأوراق البحثية: دراسة استقصائية للأدبيات" . المجلة الدولية للمكتبات الرقمية . 17 (4): 305-338 . doi : 10.1007/s00799-015-0156-0 . S2CID 207035184 . 
  50. ↑ جون س. بريس؛ ديفيد هيكرمان وكارل كادي (1998). تحليل تجريبي للخوارزميات التنبؤية للترشيح التعاوني . في وقائع المؤتمر الرابع عشر حول عدم اليقين في الذكاء الاصطناعي (UAI'98). arXiv : 1301.7363 .
  51. ↑ ساروار، ب.؛ كاريبس، ج.؛ كونستان، ج.؛ ريدل، ج. (2000). "تطبيق تقليل الأبعاد في نظام التوصية: دراسة حالة" . مؤرشف من الأصل في 14 يناير 2019. تم الاطلاع عليه في 29 يناير 2008 .،
  52. ↑ ألين، آر بي (1990). نماذج المستخدم: النظرية، المنهج، الممارسة . المجلة الدولية لدراسات الإنسان والآلة.
  53. ↑ سانغهاك لي وجيهون يانغ وسونغ يونغ بارك، اكتشاف التشابه الخفي في الترشيح التعاوني للتغلب على مشكلة التباعد ، ديسكفري ساينس، 2007.
  54. ↑ فيليسيو، كريسيا ز.؛ بايكساو، كليريسون ف. ر.؛ بارسيلوس، سيليا أ. ز.؛ بريو، فيليب (9 يوليو 2017). "اختيار نموذج قطاع الطرق متعدد الأذرع لتوصيات المستخدم في بداية التشغيل البارد" . وقائع المؤتمر الخامس والعشرين حول نمذجة المستخدم والتكيف والتخصيص (ملف PDF) . UMAP '17. براتيسلافا، سلوفاكيا: رابطة آلات الحوسبة. الصفحات 32-40 . doi : 10.1145/3079628.3079681 . ISBN  978-1-4503-4635-1. S2CID 653908 . 
  55. ↑ أغاروال، شارو سي. (2016). أنظمة التوصية: الكتاب الدراسي . سبرينغر. ISBN 978-3-319-29657-9.
  56. ↑ بيتر بروسيلوفسكي ( 2007). الويب التكيفي . سبرينغر. ص 325. ISBN  978-3-540-72078-2.
  57. ^ وانغ ، دونغ هوي. ليانغ، يانتشون؛ شو، دونغ؛ فنغ، شياويوي. قوان ، رينشو (2018). "نظام التوصية القائم على المحتوى لمنشورات علوم الكمبيوتر" . النظم القائمة على المعرفة . 157 : 1– 9. دوى : 10.1016/j.knosys.2018.05.001 .
  58. ↑ بلاندا، ستيفاني (25 مايو 2015). "أنظمة التوصية عبر الإنترنت - كيف يعرف موقع الويب ما أريده؟" . الجمعية الأمريكية للرياضيات . تم الاسترجاع في 31 أكتوبر 2016 .
  59. ↑ XY Feng, H. Zhang, YJ Ren, PH Shang, Y. Zhu, YC Liang, RC Guan, D. Xu, (2019), " نظام التوصية القائم على التعلم العميق "Pubmender" لاختيار مكان نشر طبي حيوي: دراسة التطوير والتحقق "، مجلة أبحاث الإنترنت الطبية ، 21 (5): e12957
  60. ↑ رينكه هوكسترا، عنق الزجاجة في إعادة هندسة المعرفة ، الويب الدلالي - قابلية التشغيل البيني، وسهولة الاستخدام، وقابلية التطبيق 1 (2010) 1، دار نشر IOS
  61. ↑ غوميز-أوريبي، كارلوس أ.؛ هانت، نيل (28 ديسمبر 2015). "نظام التوصية في نتفليكس" . معاملات ACM في نظم إدارة المعلومات . 6 (4): 1-19 . doi : 10.1145/2843948 .
  62. ↑ روبن بيرك، أنظمة التوصية الهجينة للويب مؤرشفة في 2014-09-12 على Wayback Machine ، الصفحات 377-408، الويب التكيفي، بيتر بروسيلوفسكي، ألفريد كوبسا، وولفغانغ نيدل (محررون)، سلسلة محاضرات في علوم الحاسوب، سبرينغر-فيرلاغ، برلين، ألمانيا، سلسلة محاضرات في علوم الحاسوب، المجلد 4321، مايو 2007، 978-3-540-72078-2.
  63. 1 2 هيداسي، بالاز؛ كاراتزوغلو، ألكسندروس؛ بالتروناس، ليناس؛ تيك، دومونكوس (29 مارس 2016). "التوصيات القائمة على الجلسات باستخدام الشبكات العصبية المتكررة". arXiv : 1511.06939 [ cs.LG ].
  64. 1 2 3 تشين، مينمين؛ بيوتيل، أليكس؛ كوفينجتون، بول؛ جاين، ساجار؛ بيليتي، فرانسوا؛ تشي، إد (2018). "تصحيح أفضل K خارج السياسة لنظام التوصية REINFORCE". arXiv : 1812.02353 [ cs.LG ].
  65. 1 2 ييفي، ما؛ ناراياناسوامي، بالاكريشنان؛ هايبين، لين؛ هاو، دينغ (2020). "التوصية الزمنية-السياقية في الوقت الحقيقي". وقائع المؤتمر الدولي السادس والعشرين لجمعية ACM SIGKDD حول اكتشاف المعرفة واستخراج البيانات . جمعية آلات الحوسبة. الصفحات 2291-2299 . doi : 10.1145/3394486.3403278 . ISBN  978-1-4503-7998-4. S2CID 221191348 . 
  66. ↑ هيداسي، بالاز؛ كاراتزوغلو، ألكسندروس (17 أكتوبر 2018). "الشبكات العصبية المتكررة مع مكاسب Top-k للتوصيات القائمة على الجلسات" . وقائع المؤتمر الدولي السابع والعشرين لجمعية ACM حول إدارة المعلومات والمعرفة . CIKM '18. تورينو، إيطاليا: جمعية آلات الحوسبة. الصفحات 843-852 . arXiv : 1706.03847 . doi : 10.1145/3269206.3271761 . ISBN  978-1-4503-6014-2. S2CID 1159769 . 
  67. ↑ كانغ، وانغ-تشنغ؛ مكولي، جوليان (2018). "التوصية التسلسلية ذاتية الانتباه". arXiv : 1808.09781 [ cs.IR ].
  68. ↑ لي، جينغ؛ رين، بينغجي؛ تشين، تشومين؛ رين، تشاوتشون؛ ليان، تاو؛ ما، جون (6 نوفمبر 2017). "التوصية العصبية القائمة على الجلسات" . وقائع مؤتمر ACM لعام 2017 حول إدارة المعلومات والمعرفة . CIKM '17. سنغافورة: جمعية آلات الحوسبة. الصفحات 1419-1428 . arXiv : 1711.04725 . doi : 10.1145 /3132847.3132926 . ISBN  978-1-4503-4918-5. S2CID 21066930 . 
  69. ↑ ليو، تشياو؛ زينغ، ييفو؛ موخوسي، ريفوي؛ تشانغ، هايبين (19 يوليو 2018). "STAMP" . وقائع المؤتمر الدولي الرابع والعشرين لجمعية ACM SIGKDD حول اكتشاف المعرفة واستخراج البيانات . KDD '18. لندن، المملكة المتحدة: جمعية آلات الحوسبة. الصفحات 1831-1839 . doi : 10.1145/3219819.3219950 . ISBN  978-1-4503-5552-0. S2CID 50775765 . 
  70. ^ شين، شين؛ كاراتزوجلو، ألكسندروس؛ أراباكيس، يوانيس؛ خوسيه جويمون (2020). “التعلم المعزز الخاضع للإشراف الذاتي لأنظمة التوصية”. أرخايف : 2006.05779 [ cs.LG ].
  71. ↑ إي، يوجين؛ جاين، فيهان؛ نارفي كار، سانميت؛ أغاروال، ريتيش؛ وو، روي؛ تشينغ، هينغ تزي؛ تشاندرا، توشار؛ بوتيلير، كريغ (2019). "SlateQ: تفكيك قابل للتطبيق للتعلم المعزز مع مجموعات التوصيات" . وقائع المؤتمر الدولي المشترك الثامن والعشرين حول الذكاء الاصطناعي (IJCAI-19) : 2592-2599 .
  72. ↑ زو، ليكسين؛ شيا، لونغ؛ دينغ، تشويي؛ سونغ، جياشينغ؛ ليو، ويدونغ؛ ين، داوي (2019). "التعلم المعزز لتحسين تفاعل المستخدم طويل الأمد في أنظمة التوصية" . وقائع المؤتمر الدولي الخامس والعشرين لجمعية ACM SIGKDD حول اكتشاف المعرفة واستخراج البيانات . KDD '19. الصفحات 2810-2818 . arXiv : 1902.05570 . doi : 10.1145/3292500.3330668 . ISBN  978-1-4503-6201-6. S2CID 62903207 . 
  73. ↑ لاكيوتاكي، ك.؛ ماتساتسينيس؛ تسوكياس، أ. (مارس 2011). "نمذجة المستخدم متعددة المعايير في أنظمة التوصية". أنظمة IEEE الذكية . 26 (2): 64-76 . Bibcode : 2011IISys..26b..64L . CiteSeerX 10.1.1.476.6726 . doi : 10.1109/mis.2011.33 . S2CID 16752808 .  
  74. ↑ جيديميناس أدومافيشيوس؛ نيكوس مانوسليس؛ يونغ أوك كوون. "أنظمة التوصية متعددة المعايير" (ملف PDF) . مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 30 يونيو 2014.
  75. ^ بونفوف، جليل (2013). DRARS، نظام توصيات ديناميكي مدرك للمخاطر (أطروحة دكتوراه). المعهد الوطني للاتصالات.
  76. يونغ غي ؛ هوي شيونغ؛ ألكسندر توزيلين؛ كيلي شياو؛ ماركو غروتيسر؛ مايكل ج. بازاني (2010). نظام توصية متنقل موفر للطاقة (ملف PDF) . وقائع المؤتمر الدولي السادس عشر لجمعية ACM SIGKDD حول اكتشاف المعرفة واستخراج البيانات. مدينة نيويورك، نيويورك : ACM . الصفحات 899-908 . تاريخ الاسترجاع: 17 نوفمبر 2011 . 
  77. ↑ بيمينيديس، إلياس؛ بولاتيديس، نيكولاوس؛ موراتيديس، هارالامبوس (3 أغسطس 2018). "أنظمة التوصية عبر الأجهزة المحمولة: تحديد المفاهيم الرئيسية". مجلة علوم المعلومات . 45 (3): 387-397 . arXiv : 1805.02276 . doi : 10.1177/0165551518792213 . S2CID 19209845 . 
  78. ^ تشاي، جياكي؛ لياو، لوسي؛ ليو، شينغ؛ وانغ، يويمينغ؛ لي، روي؛ تساو، شوان؛ جاو، ليون؛ قونغ، تشاوجي؛ قو ، فانغدا (6 مايو 2024). “الأفعال تتحدث بصوت أعلى من الكلمات: محولات الطاقة المتسلسلة ذات تريليون معلمة للتوصيات التوليدية”. أرخايف : 2402.17152 [ cs.LG ].
  79. 1 2 لور، ستيف (22 سبتمبر 2009). "صفقة بحثية بقيمة مليون دولار لنتفليكس، وربما نموذج للآخرين" . صحيفة نيويورك تايمز .
  80. ↑ ر. بيل؛ ي. كورين؛ س. فولينسكي (2007). "حل بيلكور لجائزة نتفليكس" (ملف PDF) . مؤرشف من الأصل (ملف PDF) في 4 مارس 2012. تم الاطلاع عليه في 30 أبريل 2009 .
  81. ^ بودوكي ، توماس (6 أغسطس 2009). "Mátrixfaktorizáció بمليون دولار" . فِهرِس .
  82. ↑ صعود قراصنة نتفليكس ( مؤرشف في 24 يناير 2012، في أرشيف الإنترنت)
  83. ↑ "دعوى قضائية تزعم أن نتفليكس كشفت سر فيلم بروكباك ماونتن" . مجلة وايرد . 17 ديسمبر 2009. تم الاطلاع عليه في 31 مارس 2025 .
  84. ↑ "تحديث جائزة نتفليكس" . منتدى جائزة نتفليكس. 12 مارس 2010. مؤرشف من الأصل في 27 نوفمبر 2011. تم الاطلاع عليه في 14 ديسمبر 2011 .
  85. ↑ لاثيا، ن.، هايلز، س.، كابرا، ل.، أماتريان، إكس.: التنوع الزمني في أنظمة التوصيةفي: وقائع المؤتمر الدولي الثالث والثلاثين لجمعية ACM-IGIR حول البحث والتطوير في مجال استرجاع المعلومات، SIGIR 2010، الصفحات 210-217. ACM، نيويورك
  86. ↑ توربين، أندرو هـ؛ هيرش، ويليام (2001). "لماذا لا تعطي تقييمات الدفعات وتقييمات المستخدم نفس النتائج؟". وقائع المؤتمر الدولي السنوي الرابع والعشرين لجمعية ACM SIGIR حول البحث والتطوير في استرجاع المعلومات . الصفحات 225-231 . 
  87. ^ "مجموعة بيانات MovieLens" . 6 سبتمبر 2013.
  88. 1 2 تشين، هونغ-هسوان؛ تشونغ، تشو-آن؛ هوانغ، هسين-تشين؛ تسوي، وين (1 سبتمبر 2017). "المزالق الشائعة في تدريب وتقييم أنظمة التوصية". نشرة ACM SIGKDD Explorations الإخبارية . 19 : 37-45 . doi : 10.1145/3137597.3137601 . S2CID 10651930 . 
  89. ↑ جاناش، ديتمار؛ ليرش، لوكاس؛ جيديكلي، فاتح؛ بونين، جوفري (10 يونيو 2013). "ما يوصي به الموصون - تحليل لتأثيرات الدقة والشعبية وتنوع المبيعات". في: كاربيري، ساندرا؛ ويبيلزال، ستيفان؛ ميكاريلي، أليساندرو؛ سيميرارو، جيوفاني (محررون). نمذجة المستخدم، والتكييف، والتخصيص . سلسلة محاضرات في علوم الحاسوب. المجلد 7899. سبرينغر برلين هايدلبرغ. الصفحات 25-37 . CiteSeerX 10.1.1.465.96 . doi : 10.1007/978-3-642-38844-6_3 . ISBN    978-3-642-38843-9.
  90. 1 2 توربين، أندرو هـ.؛ هيرش، ويليام (1 يناير 2001). "لماذا لا تعطي تقييمات الدفعات وتقييمات المستخدم نفس النتائج؟" . وقائع المؤتمر الدولي السنوي الرابع والعشرين لجمعية ACM SIGIR حول البحث والتطوير في استرجاع المعلومات . SIGIR '01. نيويورك، نيويورك، الولايات المتحدة الأمريكية: ACM. الصفحات 225-231 . CiteSeerX 10.1.1.165.5800 . doi : 10.1145/383952.383992 . ISBN   978-1-58113-331-8. S2CID 18903114 . 
  91. ↑ لانجر، ستيفان (14 سبتمبر 2015). "مقارنة بين التقييمات غير المتصلة بالإنترنت، والتقييمات عبر الإنترنت، ودراسات المستخدمين في سياق أنظمة التوصية بالأوراق البحثية". في: كابيداكيس، سارانتوس؛ مازوريك، سيزاري؛ ويرلا، مارسين (محررون). البحث والتكنولوجيا المتقدمة للمكتبات الرقمية . سلسلة محاضرات في علوم الحاسوب. المجلد 9316. دار نشر سبرينغر الدولية. الصفحات 153-168 . doi : 10.1007/978-3-319-24592-8_12 . ISBN   978-3-319-24591-1.
  92. ↑ باساران، دانيال؛ نتوتسي، إيريني؛ زيمك، آرثر (2017). وقائع مؤتمر SIAM الدولي لعام 2017 حول استخراج البيانات . الصفحات 390-398 . doi : 10.1137/1.9781611974973.44 . ISBN  978-1-61197-497-3.
  93. ↑ بيل، جويران؛ جينزمير، مارسيل؛ لانجر، ستيفان؛ نورنبرجر، أندرياس؛ جيب، بيلا (1 يناير 2013). "تحليل مقارن للتقييمات غير المتصلة بالإنترنت والمتصلة بالإنترنت ومناقشة تقييم نظام التوصية للأوراق البحثية". وقائع ورشة العمل الدولية حول قابلية التكرار والتكرار في تقييم أنظمة التوصية . RepSys '13. نيويورك، نيويورك، الولايات المتحدة الأمريكية: ACM. الصفحات 7-14 . CiteSeerX 10.1.1.1031.973 . doi : 10.1145/2532508.2532511 . ISBN   978-1-4503-2465-6. S2CID 8202591 . 
  94. ↑ كاناماريس، روسيو؛ كاستيلز، بابلو (يوليو 2018). هل عليّ اتباع التيار؟ تحليل احتمالي لفعالية الشعبية في أنظمة التوصية (ملف PDF) . المؤتمر الدولي السنوي الحادي والأربعون لجمعية ACM SIGIR حول البحث والتطوير في استرجاع المعلومات (SIGIR 2018). آن أربور، ميشيغان، الولايات المتحدة الأمريكية: ACM. الصفحات 415-424 . doi : 10.1145/3209978.3210014 . مؤرشف من الأصل (ملف PDF) في 14 أبريل 2021. تم الاطلاع عليه في 5 مارس 2021 . 
  95. ↑ كاناماريس، روسيو؛ كاستيلز، بابلو؛ موفات، أليستير (مارس 2020). "خيارات التقييم غير المتصل لأنظمة التوصية" (ملف PDF) . استرجاع المعلومات . 23 (4). سبرينغر: 387-410 . doi : 10.1007/s10791-020-09371-3 . hdl : 10486/703029 . S2CID 213169978. مؤرشف من الأصل (ملف PDF) في 31 مارس 2021. تم الاسترجاع في 5 مارس 2021 . 
  96. ↑ زيغلر سي إن، ماكني إس إم، كونستان جيه إيه، لاوسن جي (2005). "تحسين قوائم التوصيات من خلال تنويع المواضيع". وقائع المؤتمر الدولي الرابع عشر حول شبكة الويب العالمية . ص 22-32 . 
  97. 1 2 كاستيلز، بابلو؛ هيرلي، نيل جيه؛ فارغاس، ساؤول (2015). "الحداثة والتنوع في أنظمة التوصية" . في ريتشي، فرانشيسكو؛ روكاش، ليور؛ شابيرا، براخا (محررون). دليل أنظمة التوصية ( الطبعة الثانية). سبرينغر الولايات المتحدة. ص 881-918 . doi : 10.1007/978-1-4899-7637-6_26 . ISBN   978-1-4899-7637-6.
  98. ↑ جويران بيل؛ ستيفان لانغر؛ مارسيل غينزمهر؛ أندرياس نورنبرغر (سبتمبر 2013). "الاستمرارية في أنظمة التوصية: تقديم التوصيات نفسها للمستخدمين أنفسهم عدة مرات" (ملف PDF) . في: تروند آلبرغ؛ ميلينا دوبريفا؛ كريستوس باباثيودورو؛ يانيس تساكوناس؛ تشارلز فاروجيا ( محررون). وقائع المؤتمر الدولي السابع عشر حول نظرية وممارسة المكتبات الرقمية (TPDL 2013) . سلسلة محاضرات في علوم الحاسوب (LNCS). المجلد 8092. سبرينغر. الصفحات 390-394 . تاريخ الاسترجاع: 1 نوفمبر 2013 .  
  99. ↑ كوسلي، د.؛ لام، س.ك.؛ ألبرت، إ.؛ كونستان، ج.أ.؛ ريدل، ج. (2003). "هل الرؤية هي التصديق؟: كيف تؤثر واجهات أنظمة التوصية على آراء المستخدمين" (ملف PDF) . وقائع مؤتمر SIGCHI حول العوامل البشرية في أنظمة الحوسبة . الصفحات 585-592 . S2CID 8307833 .  
  100. ↑ بو، ب.؛ تشين، ل.؛ هو، ر. (2012). "تقييم أنظمة التوصية من منظور المستخدم: دراسة استقصائية لأحدث التقنيات" (ملف PDF) . نمذجة المستخدم والتفاعل المُكيَّف مع المستخدم : 1-39 .
  101. ↑ نارين راماكريشنان؛ بنجامين ج. كيلر؛ باتول ج. ميرزا؛ أنانث ي. غراما؛ جورج كاريبس (2001). "مخاطر الخصوصية في أنظمة التوصية" . مجلة IEEE للحوسبة عبر الإنترنت . 5 (6). بيسكاتاواي، نيوجيرسي: قسم الأنشطة التعليمية في IEEE : 54-62 . CiteSeerX 10.1.1.2.2932 . doi : 10.1109/4236.968832 . ISBN  978-1-58113-561-9. S2CID 1977107 . 
  102. ↑ جويران بيل؛ ستيفان لانغر؛ أندرياس نورنبرغر؛ مارسيل غينزمهر (سبتمبر 2013). "تأثير العوامل الديموغرافية (العمر والجنس) وخصائص المستخدم الأخرى على تقييم أنظمة التوصية" (ملف PDF) . في: تروند آلبرغ؛ ميلينا دوبريفا؛ كريستوس باباثيودورو؛ يانيس تساكوناس؛ تشارلز فاروجيا ( محررون). وقائع المؤتمر الدولي السابع عشر حول نظرية وممارسة المكتبات الرقمية (TPDL 2013) . سبرينغر. الصفحات 400-404 . تاريخ الاطلاع: 1 نوفمبر 2013 . 
  103. ↑ كونستان، جيه. إيه.، وريدل، جيه. (2012). "أنظمة التوصية: من الخوارزميات إلى تجربة المستخدم" (ملف PDF) . نمذجة المستخدم والتفاعل المُكيَّف مع المستخدم . 22 ( 1-2 ): 1-23 . doi : 10.1007/s11257-011-9112-x . S2CID 8996665 . 
  104. ↑ ريتشي ف، روكاش ل، شابيرا ب، كانتور ب ب (2011). دليل أنظمة التوصية . الصفحات 1-35 . رمز Bibcode : 2011rsh..book.....R . 
  105. ↑ مولر، جوديث؛ ترلينغ، داميان؛ هيلبرغر، ناتالي؛ فان إس، برام (3 يوليو 2018). "لا تُلقِ اللوم على الخوارزمية: تقييم تجريبي لأنظمة التوصية المتعددة وتأثيرها على تنوع المحتوى" . المعلومات والاتصالات والمجتمع . 21 (7): 959-977 . doi : 10.1080/1369118X.2018.1444076 . hdl : 11245.1/4242e2e0-3beb-40a0-a6cb-d8947a13efb4 . ISSN 1369-118X . S2CID 149344712 .  
  106. ^ مونتانير، ميكيل. لوبيز، بياتريس؛ دي لا روزا، جوزيب لويس (2002). "تطوير الثقة في وكلاء التوصية" . وقائع المؤتمر الدولي المشترك الأول حول الوكلاء المستقلين والأنظمة متعددة الوكلاء: الجزء الأول . ص 304 – 305. 
  107. ↑ بيل، جويران، لانجر، ستيفان، جينزمير، مارسيل (سبتمبر 2013). "التوصيات المدعومة مقابل التوصيات العضوية (ورقة بحثية) وتأثير وضع العلامات" (ملف PDF) . في: تروند آلبرغ، ميلينا دوبريفا، كريستوس باباثيودورو، يانيس تساكوناس، تشارلز فاروجيا (محررون). وقائع المؤتمر الدولي السابع عشر حول نظرية وممارسة المكتبات الرقمية (TPDL 2013) . الصفحات 395-399 . تاريخ الاطلاع: 2 ديسمبر 2013 . 
  108. ↑ فيراري داكريما، ماوريتسيو؛ بوغليو، سيموني؛ كريمونيسي، باولو؛ جاناش، ديتمار (8 يناير 2021). "تحليل مقلق لإمكانية التكرار والتقدم في أبحاث أنظمة التوصية" . معاملات ACM في نظم المعلومات . 39 (2): 1-49 . arXiv : 1911.07698 . doi : 10.1145/3434185 . hdl : 11311/1164333 . S2CID 208138060 . 
  109. ↑ فيراري داكريما، ماوريتسيو؛ كريمونيسي، باولو؛ جاناش، ديتمار (2019). "هل نحرز تقدمًا حقيقيًا؟ تحليل مقلق لأساليب التوصية العصبية الحديثة" . وقائع المؤتمر الثالث عشر لجمعية الحوسبة الآلية (ACM) حول أنظمة التوصية . RecSys '19. ACM. الصفحات 101-109 . arXiv : 1907.06902 . doi : 10.1145/3298689.3347058 . hdl : 11311/1108996 . ISBN  978-1-4503-6243-6S2CID 196831663. تم الاسترجاع في 16 أكتوبر 2019 . 
  110. ↑ ريندل، ستيفن؛ كريشين، وليد؛ تشانغ، لي؛ أندرسون، جون (22 سبتمبر 2020). "إعادة النظر في الترشيح التعاوني العصبي مقابل تحليل المصفوفات". المؤتمر الرابع عشر لجمعية الحوسبة الآلية حول أنظمة التوصية . الصفحات 240-248 . arXiv : 2005.09683 . doi : 10.1145/3383313.3412488 . ISBN  978-1-4503-7583-2.
  111. ^ صن ، تشو. يو، دي؛ فانغ، هوي؛ يانغ، جي. تشو، شينغهوا؛ تشانغ، جي. جينغ كونغ (2020). "هل نقوم بالتقييم بدقة؟ توصية مرجعية للتقييم القابل للتكرار والمقارنة العادلة " . مؤتمر ACM الرابع عشر لأنظمة التوصية . ايه سي ام. ص 23 – 32. دوى : 10.1145 / 3383313.3412489 . رقم ISBN  978-1-4503-7583-2. S2CID 221785064 . 
  112. ↑ شيفرير، بينيديكت؛ ديوت، كريس؛ بوجيه، جان فرانسوا؛ دي سوزا بيريرا، غابرييل؛ تيتيريتش، جيلبرتو؛ ليو، جيوي؛ أك، روناي. "استخدام التعلم العميق للفوز بتحدي Booking.com WSDM WebTour21 حول التوصيات المتسلسلة" (ملف PDF) . مؤتمر WSDM '21: مؤتمر ACM حول البحث على الويب واستخراج البيانات . ACM. مؤرشف من الأصل (ملف PDF) في 25 مارس 2021. تم الاطلاع عليه في 3 أبريل 2021 .
  113. ↑ فولكوفس، ماكسيمز؛ راي، هيمانشو؛ تشنغ، تشاويوي؛ وو، غا؛ لو، ييتشاو؛ سانر، سكوت (2018). "نموذج ثنائي المراحل لاستمرار قوائم التشغيل تلقائيًا على نطاق واسع" . وقائع تحدي أنظمة التوصية ACM لعام 2018. ACM. الصفحات 1-6 . doi : 10.1145/3267471.3267480 . ISBN  978-1-4503-6586-4. S2CID 52942462 . 
  114. ↑ إيف ريموند، جاستن بازيليكو، التعلم العميق لأنظمة التوصية ، قمة إعادة صياغة التعلم العميق في سان فرانسيسكو 2018
  115. ↑ إكستراند، مايكل د.؛ لودفيج، مايكل؛ كونستان، جوزيف أ.؛ ريدل، جون ت. (1 يناير 2011). "إعادة النظر في النظام البيئي لأبحاث أنظمة التوصية". وقائع المؤتمر الخامس لجمعية الحوسبة الآلية (ACM) حول أنظمة التوصية . RecSys '11. نيويورك، نيويورك، الولايات المتحدة الأمريكية: ACM. الصفحات 133-140 . doi : 10.1145/2043932.2043958 . ISBN  978-1-4503-0683-6. S2CID 2215419 . 
  116. ↑ كونستان، جوزيف أ.؛ أدومافيشيوس، جيديميناس (1 يناير 2013). "نحو تحديد أفضل الممارسات واعتمادها في بحوث أنظمة التوصية الخوارزمية". وقائع ورشة العمل الدولية حول قابلية التكرار والاستنساخ في تقييم أنظمة التوصية . RepSys '13. نيويورك، نيويورك، الولايات المتحدة الأمريكية: ACM. الصفحات 23-28 . doi : 10.1145/2532508.2532513 . ISBN  978-1-4503-2465-6. S2CID 333956 . 
  117. 1 2 بريتينجر، كورينا؛ لانجر، ستيفان؛ لوماتزش، أندرياس؛ جيب، بيلا (12 مارس 2016). "نحو إمكانية التكرار في أبحاث أنظمة التوصية" . نمذجة المستخدم والتفاعل المُكيَّف مع المستخدم . 26 (1): 69-101 . doi : 10.1007/s11257-016-9174-x . ISSN 0924-1868 . S2CID 388764 .  
  118. ↑ سعيد، آلان؛ بيلوجين، أليخاندرو (1 أكتوبر 2014). "تقييم مقارن لأنظمة التوصية". وقائع المؤتمر الثامن لجمعية الحوسبة الآلية (ACM) حول أنظمة التوصية . RecSys '14. نيويورك، نيويورك، الولايات المتحدة الأمريكية: ACM. الصفحات 129-136 . doi : 10.1145/2645710.2645746 . hdl : 10486/665450 . ISBN  978-1-4503-2668-1. S2CID 15665277 . 
  119. ↑ فيرما، ب.؛ شارما، س. (2020). "نظام توصية قائم على الذكاء الاصطناعي". المؤتمر الدولي الثاني لعام 2020 حول التطورات في الحوسبة والاتصالات والتحكم والشبكات (ICACCCN) . الصفحات 669-673 . doi : 10.1109/ICACCCN51052.2020.9362962 . ISBN  978-1-7281-8337-4. S2CID 232150789 . 
  120. ↑ خانال، إس إس (يوليو 2020). "مراجعة منهجية: أنظمة التوصية القائمة على التعلم الآلي للتعليم الإلكتروني". تكنولوجيا المعلومات التعليمية . 25 (4): 2635-2664 . doi : 10.1007/s10639-019-10063-9 . S2CID 254475908 . 
  121. 1 2 تشانغ، كيو. (فبراير 2021). "الذكاء الاصطناعي في أنظمة التوصية" . الأنظمة المعقدة والذكية . 7 : 439-457 . doi : 10.1007/s40747-020-00212-w .
  122. ↑ وو، ل. (مايو 2023). "دراسة استقصائية حول التوصية العصبية الموجهة نحو الدقة: من الترشيح التعاوني إلى التوصية الغنية بالمعلومات". معاملات IEEE في هندسة المعرفة والبيانات . 35 (5): 4425-4445 . arXiv : 2104.13030 . Bibcode : 2023ITKDE..35.4425W . doi : 10.1109/TKDE.2022.3145690 .
  123. ↑ سامك، و. (مارس 2021). "شرح الشبكات العصبية العميقة وما بعدها: مراجعة للأساليب والتطبيقات" . وقائع معهد مهندسي الكهرباء والإلكترونيات . 109 (3): 247-278 . arXiv : 2003.07631 . doi : 10.1109/JPROC.2021.3060483 .
  124. ↑ يي، إكس.، هونغ، إل.، تشونغ، إي.، تيواري، إيه.، وديلون، آي إس (2019). "نموذج قابل للتطوير ذو برجين لتقدير اهتمام المستخدم بالتوصيات." وقائع المؤتمر الثالث عشر لجمعية الحوسبة الآلية حول أنظمة التوصية .
  125. ↑ مدونة جوجل كلاود. "توسيع نطاق الاسترجاع العميق باستخدام نماذج البرجين". نُشر في 30 نوفمبر 2022. تم الاطلاع عليه في ديسمبر 2024 .
  126. ^ آيزنشتاين ، ج. (أكتوبر 2019). مقدمة في معالجة اللغة الطبيعية . الصحافة معهد ماساتشوستس للتكنولوجيا. رقم ISBN 9780262042840.

للمزيد من القراءة

الكتب
  • كيم فالك (توفي عام 2019)، أنظمة التوصية العملية، منشورات مانينغ، رقم ISBN 9781617292705
  • بهارات بهاسكر؛ ك. سريكومار (2010). أنظمة التوصية في التجارة الإلكترونية . كوب. رقم ISBN 978-0-07-068067-8تمت أرشفة هذا النص من المصدر الأصلي في 1 سبتمبر 2010.
  • جاناش، ديتمار؛ ماركوس زانكر؛ ألكسندر فيلفرنيج؛ غيرهارد فريدريش (2010). أنظمة التوصية: مقدمة . كوب. رقم ISBN 978-0-521-49336-9تمت أرشفة هذا النص من المصدر الأصلي في 31 أغسطس 2015.
  • سيفر، نيك (2022). حوسبة الذوق: الخوارزميات وصناع توصيات الموسيقى . مطبعة جامعة شيكاغو.
المقالات العلمية