‫األكاديمية العربية الدولية‬

‫األكادميية العربية الدولية‬

‫‪www.aiacademy.info | care@aiacademy.info‬‬
 ‫اجلمهورية العربية السورية‬

‫املعهد العايل للعلوم التطبيقية والتكنولوجيا‬

‫قسم النظم املعلوماتية‬

‫ماجستري يف املعلوماتية‬

‫بناء نظام توصية متعدد المعايي‬

‫خوارزمية َس َ‬
‫لسلة المعايي ‪Criteria Chaining‬‬

‫أعدت هذه األطروحة لنيل درجة‬

‫املاجستري يف النظم املعلوماتية ودعم القرار‬

‫إعداد‬

‫م‪ .‬ابراهيم االبراهيم‬

‫إشراف‬

‫د‪ .‬ياسر رحال‬

‫كانون األول ‪2018‬‬
 ‫ر‬‫ك‬‫ش‬
‫أتوجه خبالص الشكر والتقدير للدكتور ايسر رحال الذي مل يبخل إبشرافه وإرشاده يف هذه العمل‪.‬‬

‫كما أتوجه ابلشكر لكافة أعضاء الكادر التدريسي واإلداري ملاجستري نظم دعم القرار ملا قدموه خالل فرتة املاجستري‬
‫من جهد ومعرفة تتجاوز املعارف املباشرة اليت تلقيتها خالل دراسيت يف هذا املاجستري‪.‬‬

‫ال ميكن أن أنسى شكر املعهد العايل للعلوم التطبيقية والتكنولوجيا إلاتحته الفرصة يل لدراسة هذا املاجستري واحلصول‬
‫على شهادته كوين أحد طالبه السابقني ضمن مرحلة اإلجازة اجلامعية ومهندسيه خالل فرتة عملي السابقة حىت اآلن‪.‬‬
 ‫إهداء ‪...‬‬
‫إننا حمكومون ابألمل‪ِ ...‬‬
‫إليك سورية‪...‬‬

‫إىل من مل يبخلوا من أجل دفعي إىل طريق النجاح‪ ...‬والدي ووالديت‬

‫إىل من كان حافزي إىل دخول املعهد العايل للعلوم التطبيقية والتكنولوجيا‪ ...‬أخي ندمي‬

‫إىل من كان سندي يف أصعب الظروف ورفيقي يف أحلى اللحظات‪ ...‬زوجيت جنود‬

‫إىل مشعيت يف احلياة‪ ...‬ابنيت ألفا‬

 ‫جدول احملتوايت‬
‫‪ 1‬امللخص ‪v ..................................................................................................................................‬‬

‫‪ 2‬الفصل األول‪ :‬مدخل ملوضوع البحث وأمهيته ‪7 ..........................................................................................‬‬

‫‪ 1.2‬متهيد ‪8 .........................................................................................................................................‬‬

‫‪ 2.2‬دوافع البحث ‪9 .................................................................................................................................‬‬

‫‪ 3.2‬إشكالية البحث ‪9 ..............................................................................................................................‬‬

‫‪ 4.2‬فكرة احلل املقرتح ‪10 ...........................................................................................................................‬‬

‫‪ 3‬الفصل الثاين‪ :‬اإلطار النظري العام ‪11 ....................................................................................................‬‬

‫‪ 1.3‬مقدمة ‪12 ......................................................................................................................................‬‬

‫‪ 2.3‬أنظمة التوصية الرقمية التقليدية وحيدة املعيار‪13 ................................................................................................‬‬

‫‪ 3.3‬أنظمة التّوصية القائمة على احملتوى ‪14 .........................................................................................................‬‬

‫الرتشيح التّعاوينّ ‪15 ............................................................ Collaborative Filtering‬‬

‫‪ 4.3‬أنظمة التّوصية القائمة على مبدأ ّ‬
‫‪ 5.3‬التوصية الرقمية كمسألة صنع قرار متعددة املعايري ‪17 ............................................................................................‬‬

‫‪ 1.5.3‬غرض القرار ‪18 ..........................................................................................................................‬‬

‫‪ 2.5.3‬عائلة املعايري ‪18 .........................................................................................................................‬‬

‫‪ 3.5.3‬منوذج التفضيل العام ‪19 ..................................................................................................................‬‬

‫‪ 4.5.3‬إجراء دعم القرار ‪20 .....................................................................................................................‬‬

‫‪ 6.3‬إطار نظم دعم القرار متعددة املعايري يف نظم التوصية الرقمية ‪21 .................................................................................‬‬

‫‪ 1.6.3‬البحث والتصفية يف احملتوى متعدد الواصفات ومنذجة التفضيالت ‪22 .....................................................................‬‬

‫‪ 2.6.3‬اسرتاتيجيات التوصية متعددة األهداف ‪22 ...............................................................................................‬‬

‫‪ 3.6.3‬التفضيل القائم على التقييم متعدد املعايري ‪22 .............................................................................................‬‬

‫‪ 7.3‬اخلالصة ‪23 ....................................................................................................................................‬‬

‫‪ 4‬الفصل الثالث‪ :‬الدراسة املرجعية ‪24 ......................................................................................................‬‬

‫‪ 1.4‬نظم التوصية متعددة املعايري ‪25 ............................................................ Multi-Criteria Rating Recommendation‬‬

‫‪ 1.1.4‬التوصية وحيدة املعيار التقليدية ‪25 .......................................................................................................‬‬

‫‪ 2.1.4‬توسعة نظم التوصية التقليدية لتشمل التقييم متعدد املعايري‪26 .............................................................................‬‬

‫‪1‬‬
‫‪ 2.4‬تضمني التقييم متعدد املعايري أثناء التوقع ‪30 ............................... Engaging Multi-Criteria Ratings During Prediction‬‬

‫‪ 1.2.4‬املقارابت التجريبية ‪30 ....................................................................................... Heuristic Approaches‬‬

‫‪ 2.2.4‬املقارابت املعتمدة على النموذج ‪36 .....................................................................Model-based Approaches‬‬

‫‪ 3.4‬تضمني التقييم متعدد املعايري أثناء التوصية ‪38 ................... Engaging Multi-Criteria Ratings During Recommendation‬‬

‫‪ 4.4‬أمثَلة تعدد املعايري ‪38 .................................................................................... Multi-Criteria Optimization‬‬

‫‪ 1.4.4‬تصميم ترتيب كلي لتوصية املواد ‪39 ......................................................................................................‬‬

‫‪ 2.4.4‬إجياد التوصيات األمثلية من منط ‪40 ............................................................................................ Pareto‬‬

‫‪ 3.4.4‬استخدام التقييم متعدد املعايري كمعامالت تصفية لالقرتاحات ‪42 .........................................................................‬‬

‫‪ 5.4‬مناقشة األعمال املستقبلية ‪43 ..................................................................................................................‬‬

‫‪ 1.5.4‬تطوير مقارابت جديدة للتقييمات متعددة املعايري ‪43 .....................................................................................‬‬

‫‪ 2.5.4‬توسعة التقنيات احلالية للنظم متعددة املعايري ‪45 ..........................................................................................‬‬

‫حمركات توصية مشاهبة ‪45 ......................................................................................................................‬‬

‫‪ّ 6.4‬‬
‫‪45 ........................................................................................................................ Recombee1.6.4‬‬
‫‪46 ..................................................................................................................... 2.6.4 Suggest Grid‬‬
‫‪ 3.6.4‬خوارزمية ‪47 ................................................................................................................. Yong Z.‬‬

‫‪ 7.4‬خالصة ‪47 ....................................................................................................................................‬‬

‫‪ 5‬الفصل الرابع‪ :‬تصميم احلل املقرتح والنتائج ‪48 ..........................................................................................‬‬

‫‪ 1.5‬مقدمة ‪49 ......................................................................................................................................‬‬

‫‪ 2.5‬تذكرة إبشكالية البحث ‪49 .....................................................................................................................‬‬

‫‪ 3.5‬بناء عائلة املعايري ‪50 ...........................................................................................................................‬‬

‫‪ 4.5‬جمموعة البياانت املستعملة ‪51 ..................................................................................... Trip Advisor Dataset‬‬

‫‪ 5.5‬اخلوارزمية املقرتحة‪ :‬سلسة املعايري ‪52 ................................................................................... Criteria Chaining‬‬

‫‪ 6.5‬تطبيق خوارزمية سلسلة املعايري على بياانت موقع ‪56 ......................................................................... Trip Advisor‬‬

‫‪ 1.6.5‬مقارنة النموذج املقرتح مع النموذج التقليدي ‪57 ..........................................................................................‬‬

‫‪ 2.6.5‬أتثري اختيار قيمة حجم عينة اجلوار على أداء نظام التوصية ‪58 ...........................................................................‬‬

‫‪ 3.6.5‬مقارنة اخلوارزمية املقرتحة مع خوارزمية ‪58 ........................................................................... Criteria Chains‬‬

‫‪ 7.5‬املخطط الداخلي لعمل النظام الربجمي‪59 .......................................................................................................‬‬

‫‪2‬‬
‫‪ 8.5‬بيئة العمل الربجمية ‪61 ..........................................................................................................................‬‬

‫‪ 6‬الفصل اخلامس‪ :‬اخلامتة واآلفاق املستقبلية ‪62 ............................................................................................‬‬

‫‪ 1.6‬اخلامتة ‪63 ......................................................................................................................................‬‬

‫‪ 2.6‬اآلفاق املستقبلية ‪64 ............................................................................................................................‬‬

‫‪ 7‬املالحق ‪65 ................................................................................................................................‬‬

‫‪ 1.7‬ملحق ‪ :1‬أنظمة التوصية وحيدة املعيار ‪66 .....................................................................................................‬‬

‫‪ 1.1.7‬التّوصية ابعتماد طريقة اجلوار ‪66 .........................................................................................................‬‬

‫‪ 2.1.7‬مميزات اعتماد طريقة اجلوار ‪66 ......................................................................... Neighborhood Approach‬‬

‫‪ 3.1.7‬التنبّؤ ابلتّقييم اعتماداً على املستخدم ‪67 .................................................................................................‬‬

‫الرتابط‪69 .......................................................................................................................‬‬
‫‪ 4.1.7‬حساب ّ‬
‫الرتابط ‪72 .................................................................................................................‬‬
‫‪ 5.1.7‬مصداقية أوزان ّ‬
‫‪ 6.1.7‬اختيار اجلوار ‪73 .........................................................................................................................‬‬

‫‪ 7.1.7‬عنقدة املستخدمني واألغراض ‪74 ........................................................................................................‬‬

‫‪ 8.1.7‬اختبار النّظام ‪77 ............................................................................................................... Testing‬‬

‫‪ 8‬املراجع‪79 .................................................................................................................................‬‬

‫‪3‬‬
 ‫قائمة األشكال‬
‫الشكل ‪ 1‬نظام توصية أفالم وحيد املعيار ‪26 .............................................................................................................‬‬
‫الشكل ‪ 2‬نظام توصية أفالم متعدد املعايري (التقييمات لكل فيلم‪ :‬التقييم الكلي‪ ،‬القصة‪ ،‬احلركات‪ ،‬اإلخراج‪ ،‬املؤثرات البصرية) ‪27 .........................‬‬
‫الشكل ‪ 3‬مقاربة التابع التجميعي (مثال على ‪ 3‬معايري إفرادية) ‪37 .......................................................................................‬‬
‫الشكل ‪ 4‬مثال على النقاط املسيطرة (املطاعم األفضل) يف فضاء ثنائي األبعاد ‪41 ........................................................................‬‬
‫الشكل ‪ 5‬مثال يوضح حالة استخدام خلدمة حمرك التوصيّة ‪46 ............................................................................. Recombee‬‬
‫الشكل ‪ 6‬مثال يوضح حالة استخدام خلدمة حمرك التوصيّة ‪47 .......................................................................... SuggestGrid‬‬
‫الشكل ‪ 5‬مثال عن التقييمات متعددة املعايري يف موقع ‪51 .............................................................................. Trip Advisor‬‬
‫الشكل ‪ 6‬خوارزمية سلسلة املعايري ‪55 ....................................................................................................................‬‬
‫الشكل ‪ 7‬بنية املعطيات املمثلة لتقييمات بياانت ‪56 .................................................................................... Trip Advisor‬‬
‫الشكل ‪ 8‬تناقص اخلطأ يف عمليّة التنبؤ مع ازدايد عدد اجلوار‪58 ........................................................................................ .‬‬
‫الشكل ‪ 9‬املخطط الداخلي لعمل النظام‪59 ............................................................................................................. .‬‬
‫الشكل ‪ 10‬مرحل تقسيم املعطيات يف تقنية ‪77 ...................................................................................Cross-Validation‬‬

‫قائمة املصطلحات واالختصارات‬

‫املعىن ابللغة العربية‬ ‫املعىن ابللغة اإلنكليزية‬ ‫املصطلح أو االختصار‬
‫نظم التوصية متعددة املعايري‬ ‫‪Multi-Criteria‬‬ ‫‪Recommendation‬‬
‫‪Systems‬‬
‫‪MCRS‬‬

‫حمركات التوصية املعتمدة على الرتشيح التعاوين‬ ‫‪Collaborative Filtering Recommenders‬‬ ‫‪CF Recommenders‬‬

‫حمركات التوصية املعتمدة على احملتوى‬ ‫‪Content Based Recommenders‬‬ ‫‪CB Recommenders‬‬

‫دعم القرار‬ ‫‪Decision Support‬‬

‫جترييب‬ ‫‪Heuristic‬‬

‫معايري‬ ‫‪Criteria‬‬

‫توابع التجميع املعقدة‬ ‫‪Support Vector Regression‬‬ ‫‪SVR‬‬

‫االحندار اخلطي‬ ‫‪Linear Regression‬‬

‫اخلطأ الرتبيعي األصغري ابلقيمة املطلقة‬ ‫‪Minimum Absolute Error‬‬ ‫‪MAE‬‬

‫التحقق املزدوج‬ ‫‪Cross Validation‬‬ ‫‪CV‬‬

‫‪4‬‬
 ‫‪ 1‬امللخص‬
‫أصبحت أنظمة التوصية‪ ،‬أو كما تعرف أيضاً مبحركات التوصية‪ ،‬جمال حبث مهم يتم تطبيقه يف العديد من اجملاالت‪ .‬ابإلضافة‬
‫إىل ذلك‪ ،‬جرى تطوير التقنيات خلف هذه األنظمة خالل الزمن‪ .‬يف العموم‪ ،‬تساعد هذه األنظمة املستخدمني على إجياد‬
‫املنتجات أو اخلدمات (مثل الكتب أو املوسيقى) املطلوبة من قبلهم‪ ،‬وذلك عن طريق حتليل وجتميع نشاطات املستخدمني‬
‫اآلخرين‪ ،‬عن طريق املراجعات ‪ Reviews‬بشكل أساسي‪ ،‬ومن مث تشكيل التوصيات‪ .‬تساعد التوصيات على تسهيل إجراء‬
‫صنع القرار للمستخدم‪.‬‬

‫حققت أنظمة التوصية وحيدة املعيار (التقليدية) جناحاً كبرياً يف عدد من التطبيقات‪ ،‬ولكن البحث يف أنظمة التوصية متعددة‬
‫املعايري مل يصل بعد إىل املراحل املتطورة اليت وصلتها تلك األنظمة التقليدية‪ ،‬ولكي حنصل على الفائدة الكلية من التقييمات‬
‫متعددة املعايري‪ ،‬ال بد من تطوير تقنيات توصية جديدة‪.‬‬

‫تعمل نظم التوصية التقليدية بشكل أساسي على قياس التشابه بني املستخدمني ابستخدام التقييمات املعطاة من هؤالء‬
‫املستخدمني للمواد املدروسة‪ ،‬حيث تعتمد على نظام تقييم أحادي املعيار‪ ،‬أي أن املستخدم يقوم بتقييم املادة عن طريق قيمة‬
‫وحيدة (متثل التقييم الكلي)‪ ،‬بينما تقوم األنظمة املتقدمة بتفصيل حاجيات املستخدم وتفضيالته إىل عدة معايري تعرب عن‬
‫تفضيل املستخدم للمادة بشكل تفصيلي بعيداً عن التقييم الكلي الذي ال يعرب بشكل جيد عن تفضيل املستخدم للمادة‪.‬‬

‫نطرح يف هذه األطروحة دراسةً مرجعية ألنظمة التوصية التقليدية وحيدة املعيار‪ ،‬مث ننتقل إىل الدراسة األساسية يف األطروحة‬
‫وهي أنظمة التوصية متعددة املعايري وكيف ميكن تطبيق أنظمة دعم القرار متعدد املعايري حىت ميكن صياغة مسألة التوصية‬
‫كمسألة دعم قرار للمستخدم املستهدف‪ .‬ميثل احلل املقرتح طريقة جديدة يف حل مسائل التوصية متعددة املعايري عن طريق‬
‫دراسة ارتباط املعايري ببعضها البعض ومث تشكيل منوذج يستفيد من هذا االرتباط لنستطيع بناء منوذج يكامل بني الطرق التقليدية‬
‫لسلة املعايري‪.‬‬
‫مثل الرتشيح التعاوين (املعتمد على تشابه املستخدمني) والطريقة املقرتحة وهي َس َ‬
‫الكلمات املفتاحية‪ :‬أنظمة التوصية الرقمية‪ ،‬أنظمة التوصية وحيدة املعيار‪ ،‬أنظمة التوصية متعددة املعايري‪ ،‬نظم دعم القرار‬
‫متعددة املعايري‪.‬‬

‫‪5‬‬
 Abstract
Recommendation systems, or also known as recommendation engines, have become an important research
area and are applied in various fields. In addition, the technologies behind these systems have been
developed over time. In general, these systems help users to find products or services (such as books or
music) through analyzing and aggregating other users' activities, primarily in form of reviews, and then
forming recommendations. Recommendations help facilitate the user's decision-making process .
While single-criterion (traditional) recommendation systems have been very successful in a number of
applications, the research for multi-criteria recommendation systems is still not in its mature stages. In order
to obtain the overall benefit from multi-criteria ratings, new recommendation techniques need to be
developed.

Traditional Recommendation systems mainly measure the similarity between users using the reviews given
by these users to the studied items. Traditional systems operate on a single-criterion rating system, i.e, the
user evaluates the item by a single value (representing the overall rating). Advanced systems have detailed
user needs and preferences to several criteria that express the user's preferences for the item in detail, away
from the overall rating that does not reflect well the user's preferences for the item .
In this thesis, we present a state-of-the-art study of the traditional single-criterion recommendation systems.
We then turn to the main study of the thesis, which is, the multi-criteria recommendation systems, and how
multi-criteria decision support systems can be applied so that the recommendation can be formulated as a
decision support problem for the target user. The proposed solution represents a new way to solve the multi-
criteria recommendation problems by studying the correlation of criteria and then forming a model that
benefits from this correlation so that we can build a model that integrates traditional methods such as
collaborative filtering (based on user similarity) and the suggested method which is "Criteria Chaining."

Keywords: recommendation systems, single-criterion recommendation systems, multi-criteria

recommendation systems, multi-criteria decision support systems.

6
‫‪ 2‬الفصل األول‪ :‬مدخل ملوضوع البحث وأمهيته‬

‫‪7‬‬
 ‫‪ 1.2‬متهيد‬
‫ٍ‬
‫ضخمة من‬ ‫ٍ‬
‫بتشكيلة‬ ‫مزود ًة ّإايهم‬
‫ترك أثراً كبرياً على عادات املستهلكني‪ّ ،‬‬
‫إ ّن النمو الكبري الذي تشهدهُ التّجارة اإللكرتونيّة َ‬
‫جعل‬ ‫ِ‬
‫ذلك َ‬ ‫كل َ‬‫املنتجات‪ ،‬ممّا جعلها جتارة املليارات‪ ،‬وأيضاً مما ع ّق َد األمور عليهم الختيار احلاجيّات األكثر مالءمة ألذواقهم‪ّ .‬‬
‫تقوم هذه األنظمة بتقدمي‬
‫الكم الكبري من املعلومات املتاحة‪ ،‬حيث ُ‬ ‫من وجود أنظمة التّوصية ضرورةً أساسيّةً للتعامل مع هذا ّ‬
‫ٍ‬ ‫ٍ‬
‫لكل شخص‪ .‬دخلت هذه األنظمة يف جتارة الكتب‪ ،‬األفالم‪ ،‬املوسيقى‪،‬‬ ‫توصيات واقرتاحات للمنتجات األكثر مالءَمة ِّ‬
‫املنتجات االستهالكيّة‪ ،‬األخبار وغريها‪ .‬وميكن تعريف مشكلة التّوصية أب ّّنا تقدير استجابة املستخدم لألغراض اجلديدة بناءً‬
‫على اترخيه القدمي‪ ،‬وابلتايل اقرتاح األغراض اليت قد تنال إعجابه منها‪.‬‬

‫وفّر التطور األخري يف علوم تكنولوجيا املعلومات العديد من موارد املعطيات اخلاصة بكل شيء تقريباً‪ .‬على الرغم من أن توفر‬
‫املعطيات هبذا الشكل الكبري مفيد يف العديد من القطاعات‪ ،‬إال أنه جيعل من عملية اختاذ القرار أكثر صعوبةً‪.‬‬

‫ميلك املستخدمون والزابئن العديد من اخليارات اليت قد تربكهم يف عملية انتقاء اخليار املتاح األفضل أو األكثر مناسبةً هلم‪ .‬يف‬
‫هذا السياق‪ ،‬من املهم جداً أن يتم ترشيح املعلومات وختصيصها الستخدام كل مستخدم على حدة‪.‬‬

‫تعترب أنظمة التوصية من أهم طرق ختصيص اقرتاحات املواد للمستخدم بناءً على حاجاته وتفضيالته‪ .‬يف األايم احلالية‪ ،‬تعد‬
‫أنظمة التوصية الرقمية من أكثر األنظمة املستخدمة يف العديد من التطبيقات مثل تطبيقات السفر والسياحة ومشاهدة األفالم‬
‫وقراءة الكتب واالستماع إىل املوسيقى‪.‬‬

‫احملري للسائح أن يقرر وخيتار وجهته من بني العديد من الوجهات املتاحة‬

‫يف تطبيقات السفر والسياحة مثالً‪ ،‬يكون من الصعب و ّ‬
‫وخاصةً تلك األماكن غري املكتشفة من قبله سابقاً ]‪ .[1‬كما يكون من الصعب على املشاهد أن خيتار فيلماً يوافق تفضيالته‬
‫أو خيتار الفيلم األفضل حلالته‪ ،‬وتتكرر احلالة يف التطبيقات األخرى عندما يود املستخدم أن يقرأ كتاب أو يستمع إىل مقطوعة‬
‫موسيقية أو يقوم بشراء منتج‪.‬‬

‫ابلنظر للحاالت السابقة والعديد من احلاالت األخرى‪ ،‬تتميز تقنيات اسرتجاع املعلومات والتقنيات املساعدة على اختاذ القرار‬
‫بشكل واسع كأدوات قيّمة يف هذا اجملال‪.‬‬

‫‪8‬‬
 ‫‪ 2.2‬دوافع البحث‬
‫تعتمد العديد من أنظمة التوصية الرقمية على تقنيات بسيطة تقارن يف العموم بني امللف الشخصي للمستخدم مع بعض امليزات‬
‫اخلاصة ابملواد (وجهات سياحية أو منتجات أو أفالم أو مقاطع موسيقية) ]‪ .[1] [2‬يف مثل هذه األنظمة‪ ،‬يتم سؤال املستخدم‬
‫جمموعة من األسئلة (قد تكون على شكل إعدادات امللف الشخصي) لتزويد النظام مبا يقابل اهتماماته واحتياجاته وقيوده‪،‬‬
‫ليقوم النظام بعملية التوصية بناءً على ربط أجوبة املستخدم مع املواد املتوفرة‪ .‬تسمى هذه األنظمة ابألنظمة املعتمدة على‬
‫احملتوى ‪.[3] Content-Based Recommenders‬‬

‫تعتمد مقاربة أخرى على احلصول على معلومات مفيدة عن املستخدمني اآلخرين ابلتطبيق الذين ميلكون صفات مشاهبة أو‬
‫مشرتكة مع املستخدم اهلدف‪ .‬تستفيد األنظمة يف هذه احلالة من حقيقة أن املستخدمني املتقاربني سيكون لديهم اهتمامات‬
‫‪Collaborative Filtering‬‬ ‫وحاجات مشرتكة‪ .‬تسمى هذه األنظمة ابألنظمة املعتمدة على الرتشيح التعاوين‬
‫‪.[4] Recommenders‬‬

‫يقدر املسؤول عن املنتجات يف شبكة ‪ Netflix‬األمريكية اليت تعمل عرب اإلنرتنت أن مثن حمرك التوصية الرقمية لديهم هو مليار‬
‫دوالر أمريكي ]‪ .[5‬كما يقول الباحثون يف ‪ Netflix‬أن الفرتة اليت ميلكوّنا لشد انتباه املشاهد هي ‪ 90‬اثنية على األكثر وإال‬
‫هم معرضون خلسارة هذا الشخص ]‪.[5‬‬

‫‪ 3.2‬إشكالية البحث‬
‫تعتمد العديد من أنظمة التوصية الرقمية على معيار وحيد يعرب عن تقييم املستخدم للمادة‪ .‬إن االعتماد على تقييمات متعددة‬
‫‪1‬الشهري يف تصميم نظام‬ ‫‪Trip Advisor‬‬ ‫للمادة يعطي معلومات أكثر عن تفضيل املستخدم للمادة وهو ما اعتمده موقع‬
‫التقييم لديه‪ .‬يوضح املثال التايل مشكلة االعتماد على تقييم وحيد للفنادق‪.‬‬

‫أمية‬ ‫الشام‬ ‫الشرياتون‬ ‫املريداين‬ ‫املستخدم‬

‫‪3 ،2 ،3 ،5 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،3 ،2 ،5‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫حممد‬
‫‪3 ،5 ،2 ،2 ،3‬‬ ‫‪3 ،2 ،2 ،3 ،5‬‬ ‫‪3 ،3 ،2 ،5 ،2‬‬ ‫‪3 ،3 ،2 ،2 ،5‬‬ ‫علي‬
‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫جمد‬

‫‪/https://www.tripadvisor.com 1‬‬
‫‪9‬‬
‫متثل األرقام املوجودة تقييم املستخدم للمعايري التالية على الرتتيب (اخلدمة‪ ،‬املكان‪ ،‬النظافة‪ ،‬اجلو العام) وميثل الرقم األخري‬
‫الوسطي احلسايب للمعايري األربعة‪.‬‬

‫تربز املشكلة عند االعتماد على تقييم وحيد (القيمة اخلامسة يف خالاي اجلدول السابق املمثلة للتقييم الكلي) يف اكتشاف النظام‬
‫لتشابه املستخدم اهلدف وهو حممد لكل من علي وجمد على التساوي على اعتبار أن التقييمات مشاهبة بشكل كامل بني‬
‫املستخدمني االثنني حملمد‪.‬‬

‫لدى االعتماد على التقييمات التفصيلية تكتشف عدم موافقة علي حملمد يف آراءه التفصيلية بينما نرى أن جمد مشابه بشكل‬
‫اتم حملمد‪.‬‬

‫إن االعتماد على املعايري التفصيلية يزيد من دقة نظام التوصية الرقمي‪ .‬ندعو هذه املقاربة أبنظمة التوصية متعددة املعايري‬
‫‪.Multi Criteria Recommender Systems‬‬

‫‪ 4.2‬فكرة احلل املقرتح‬

‫نعتمد يف حلنا يف هذه األطروحة على فكرة انتقاء معايري التقييم واستنتاج التقييم النهائي منها‪ ،‬حيث تقوم أنظمة التوصية‬
‫متعددة املعايري بتطبيق اخلوارزميات التقليدية (مثل الرتشيح التعاوين) على املعايري التفصيلية واستنتاج التقييم اإلمجايل هلذه‬
‫التقييمات التفصيلية بناءً على اتبع جتميعي ‪ Aggregation Function‬أو ابستخدام تقنيات أخرى (مثل التقنيات اإلحصائية‬
‫أو تعلم اآللة)‪.‬‬

‫تقوم فكرة احلل األساسية على فكرة أن ترتيب املعايري مهم جداً (على اعتبار أن عالمة التقييم التفصيلية قد تتأثر ابلعالمات‬
‫التفصيلية السابقة لذات املادة)‪ ،‬حيث نقوم ابستنتاج التقييم األول على املعيار األول مث نعتمد على أن هذا التقييم أصبح دخالً‬
‫يف عملية توقع التقييم الثاين على املعيار الثاين وهكذا‪...‬‬

‫‪10‬‬
‫‪ 3‬الفصل الثاين‪ :‬اإلطار النظري العام‬

‫‪11‬‬
 ‫‪ 1.3‬مقدمة‬
‫جرى تعريف وحتديد مشكلة التوصية على أّنا الطريقة ملساعدة األشخاص أو املستخدمني يف جمتمع معني (ما ميثله النظام‬
‫الرقمي يف عامل تكنولوجيا املعلومات) إلجياد املعلومات أو املواد اليت تكون غالباً مهمة أو مفيدة هلؤالء األشخاص أو مرتبطة‬
‫ابحتياجاهتم ]‪.[6] [7‬‬

‫يفرتض نظام التوصية التقليدي وجود جمموعة من املستخدمني ‪ Users‬اليت متثل مجيع املستخدمني يف النظام‪ ،‬وجمموعة من املواد‬
‫‪ Items‬اليت متثل مجيع املواد القابلة لالقرتاح هلم‪ .‬كما يفرتض النظام وجود اتبع منفعة ‪ Utility Function‬يقيس مالئمة اقرتاح‬
‫املادة ‪ i‬املنتمية إىل جمموعة املواد ‪ Items‬للمستخدم ‪ u‬الذي ينتمي إىل جمموعة املستخدمني ‪ .Users‬يعرف هذا التابع ابلصيغة‬
‫𝑠𝑟𝑒𝑠𝑈 ‪ 𝑅:‬حيث ‪ 𝑅0‬هو عدد صحيح (أو حقيقي) موجب متاماً ينتمي إىل جمال معني ]‪.[6‬‬ ‫‪× 𝐼𝑡𝑒𝑚𝑠 → 𝑅0‬‬

‫معرف جملال جزئي منه فقط‪ .‬لذلك‬

‫𝑠𝑟𝑒𝑠𝑈‪ ،‬حيث يكون ّ‬ ‫𝑠𝑚𝑒𝑡𝐼 ×‬ ‫من املسلَّم أن اتبع املنفعة ‪ R‬غري معروف لكامل اجملال‬
‫𝑠𝑟𝑒𝑠𝑈‪:‬‬ ‫𝑢∋‬ ‫نريد يف سياق التوصية أن نستطيع القيام ابلنقاط التالية لكل مستخدم‬

‫‪ -1‬تقدير أو تقريب اتبع املنفعة )𝑖 ‪ 𝑅(𝑢,‬لكل املواد اليت يكون فيها )𝑖 ‪ 𝑅(𝑢,‬غري معروفاً بعد‪.‬‬
‫‪ -2‬اختيار مادة أو جمموعة من املواد 𝑖 اليت جتعل مقدار اتبع املنفعة )𝑖 ‪ 𝑅(𝑢,‬أعظمياً أي‪:‬‬

‫𝑢∀‬ ‫)𝑖 ‪∈ 𝑈𝑠𝑒𝑟𝑠, 𝑖 = arg max 𝑅(𝑢,‬‬ ‫‪Eq1‬‬

‫𝑠𝑚𝑒𝑡𝐼 ∈ 𝑖‬

‫يكون اتبع املنفعة يف معظم أنظمة التوصية الرقمية هو عبارة عن قيمة وحيدة املعيار (قيمة سلّمية)‪ ،‬أي التقييم الكلي ملادة ما‬
‫من قبل مستخدم ما‪ .‬مت اعتبار هذا االفرتاض حمدوداً يف مراجع كثرية ]‪ ،[6] [8] [9‬وسبب ذلك يعود إىل أن مالءمة املادة‬
‫املقرتحة ملستخدم معني قد تعتمد على أكثر من جانب متعلق ابملنفعة أيخذهم املستخدم اهلدف بعني االعتبار عند اختاذ قراره‪.‬‬

‫حتديداً يف األنظمة اليت تكون فيها التوصية معتمدة على آراء املستخدمني اآلخرين (ما مسيناه سابقاً بتقنية الرتشيح التعاوين)‪،‬‬
‫يكون دمج عدة معايري مؤثرة يف رأي املستخدم مفيداً ويقود إىل نتائج أكثر دقةً‪.‬‬

‫إن املعلومات اإلضافية اليت تقدمها التقييمات متعددة املعايري قد تفيد يف حتسني جودة االقرتاحات كوّنا تقدم متثيالً أكثر تعقيداً‬
‫وتكامالً ألفضليات املستخدم‪ .‬لنأخذ املثال التايل لتوضيح الفكرة‪ .‬يف نظام توصيات أفالم وحيد املعيار تقليدي‪ ،‬يعطي‬
‫املستخدم ‪ u‬تقييمه للفيلم ‪ i‬الذي شاهده مسبقاً عن طريق رقم وحيد يعرب عنه عرب )𝑖 ‪ .𝑅(𝑢,‬حتديداً‪ ،‬لنفرتض أن نظام التوصية‬
‫يقدم االقرتاحات عن طريق توقع تقييم املستخدم لألفالم اليت مل يشاهدها بعد بناءً على تقييمات األفالم من قبل املستخدمني‬
‫الذين ميلكون تفضيالت مشاهبة للمستخدم اهلدف‪ ،‬والذين نعرب عنهم عاد ًة بـ ـ "جوار املستخدم" ]‪.[10‬‬
‫‪12‬‬
‫إن عملية حتديد جوار املستخدم هي عملية أساسية ومهمة للحصول على توقعات دقيقة لالقرتاحات‪ .‬على سبيل املثال‪ ،‬إذا‬
‫شاهد مستخدمان ‪ 𝑢, 𝑢′‬ثالثة أفالم‪ ،‬وقام كالمها ابلتعبري عن مدى رضامها عن األفالم الثالثة مبقدار ‪ 6‬من ‪ ،10‬نعترب هذين‬
‫املستخدمني جارين بني بعضهما ويتم االعتماد على تقييمات املستخدم ‪ 𝑢′‬للحصول على توقع تقييمات األفالم غري املشاهدة‬
‫من قبل املستخدم 𝑢‪.‬‬

‫يف املقابل‪ ،‬يف نظام تقييم متعدد املعايري‪ ،‬ميكن للمستخدمني أن يعربوا عن تفضيالهتم ابستخدام تقييمات لعدة مواصفات‬
‫خاصة ابملادة‪ .‬يف نظام توصية أفالم مبعيارين اثنني‪ ،‬يُسمح للمستخدم أن يقيم واصفتني للفيلم ومها (القصة واملؤثرات البصرية)‪.‬‬
‫ميكن ملستخدم ما أن يفضل القصة وال يفضل املؤثرات البصرية أي )‪ .𝑅(𝑢, 𝑖) = (9, 3‬إذا استخدمنا تقييمني اثنني بنفس‬
‫قد يعرب عن أكثر من تركيبة من التفضيالت على مستوى املعايري‬ ‫‪6/10‬‬ ‫الوزن يف حساب االقرتاحات‪ ،‬فإن التقييم الوسطي‬
‫الثنائية مثل )‪...(9, 3), (6, 6), (4, 8‬‬

‫قد يظهرا منطني خمتلفني من التقييمات التفصيلية‬ ‫‪𝑢, 𝑢′‬‬ ‫لذلك‪ ،‬وعلى الرغم من أن التقييم الكلي هو ‪ 6/10‬فإن املستخدمني‬
‫لألفالم الثالثة على التوايل‪ ،‬فيما يعطي املستخدم‬ ‫𝑢 التقييمات)‪(9, 3), (9, 3), (9, 3‬‬ ‫على كل معيار‪ .‬فمثالً يعطي املستخدم‬
‫‪ 𝑢′‬التقييمات )‪ (3, 9), (3, 9), (3, 9‬لنفس األفالم الثالثة السابقة‪ .‬تساعد هذه املعلومة اإلضافية على تفضيالت كل مستخدم‬
‫تساعد على منذجة تفضيالت املستخدم بشكل أدق‪ .‬جيب تطوير تقنيات جديدة يف أنظمة التوصية الرقمية الستغالل هذه‬
‫املعلومات اإلضافية بشكل جيد‪.‬‬

‫نعرض يف هذا الفصل بدايةً مسألة التوصية إبطارها التقليدي وحيد املعيار‪ ،‬مث ننتقل إىل عرضها كمسألة صنع قرار متعددة‬
‫املعايري ونطرح إطار نظم دعم القرار متعددة املعايري يف نظم التوصية الرقمية‪.‬‬

‫‪ 2.3‬أنظمة التوصية الرقمية التقليدية وحيدة املعيار‬

‫الرتشيح التّعاوينّ يف‬ ‫موضع ٍ‬
‫حبث هام منذ ظهور ّأول األوراق البحثيّة يف جمال التّوصية اعتماداً على ّ‬ ‫تعترب أنظمة التّوصية الرقمية ِ‬
‫َ‬ ‫ّ‬
‫أواسط تسعينيّات القرن املاضي ]‪ .[11‬منذ ذلك الوقت ظهرت الكثري من األعمال لتطوير منهجيّات جديدة ألنظمة التّوصية‬
‫جاري‪ ،‬حيث ال يزال االهتمام هبذا اجملال كبرياً نظراً الرتباطه ابلتّطبيقات‬
‫قين والتّ ّ‬
‫الصعيد التّ ّ‬
‫البحثي أو على ّ‬
‫ّ‬ ‫الصعيد‬
‫سواءً على ّ‬
‫لكل منهم‪ ،‬كتوصية األفالم‪،‬‬
‫خاصة ّ‬
‫الزائد من املعلومات وتقدمي توصيات ّ‬
‫الكم ّ‬
‫العمليّة اليت تساعد املستخدمني يف التعامل مع ّ‬
‫األغاين‪ ،‬الكتب‪ ،‬املقاالت‪ ،‬وغريها‪...‬‬

‫القوة يف ٍّ‬
‫كل منها‪.‬‬ ‫الضعف و ّ‬
‫نستعرض فيما يلي أبرز املنهجيّات املتّبعة يف أنظمة التّوصية احلاليّة‪ ،‬مبيّنني نقاط ّ‬

‫‪13‬‬
 ‫‪ 3.3‬أنظمة التوصية القائمة على احملتوى‬
‫األساسي الذي تعتمده هذه األنظمة‪ ،‬هو حتديد اخلواص املشرتكة لألغراض اليت انلت إعجاب مستخدم ما 𝑢‪ ،‬ومن‬
‫ّ‬ ‫إن املبدأ‬
‫السابقة مع ابقي األغراض اليت أعجبت 𝑢‪.‬‬
‫مثّ توصية أغراض جديدة هلذا املستخدم واليت تشرتك ابخلواص ّ‬
‫يُفرتض يف هذه األنظمة وجود معلومات غنيّة تصف طبيعة كل غرض 𝑖‪ ،‬وتتوافر هذه املعلومات بشكل شعاع من اخلواص‬
‫الشعاع مؤلّفاً من‬
‫املميّزة 𝑖𝑥‪ ،‬ففي حال كانت األغراض مستندات نصيّة كاملقاالت اإلخباريّة أو مستندات ويب‪ ،‬يكون هذا ّ‬
‫النص‪.‬‬
‫املتضمنة يف ّ‬
‫ّ‬ ‫أوزان )‪ [12] Term Frequency-Inverse Document Frequency (TF-IDF‬ألهم الكلمات املفتاحيّة‬
‫املفضلة هلذا املستخدم‪ ،‬حيث ميكن احلصول على هذا‬
‫يتم يف هذه األنظمة ربط كل مستخدم 𝑢 بشعاع 𝑢𝑥 يعرب عن اخلواص ّ‬
‫األشعة املميّزة للمستخدمني‪،‬‬
‫الشعاع من جمموعة األغراض اليت قيّمها املستخدم 𝑢𝐼‪ .‬تستخدم هذه األنظمة تقنيات إلجياد هذه ّ‬
‫ّ‬
‫مرة يقوم فيها هذا‬
‫كل ّ‬
‫الشعاع 𝑢𝑥 للمستخدم 𝑢 يف ّ‬
‫يتم حتديث قيم ّ‬
‫مثل خوارزميّة روخيو ‪ ،[13] Rocchio algorithm‬وفيها ّ‬
‫املستخدم بتقييم غرض جديد 𝑖 وذلك من خالل إضافة أوزان 𝑖𝑥 إىل 𝑢𝑥 وفق العالقة التاليّة‪:‬‬

‫𝑖𝑥 𝑖𝑢𝑟 ∑ = 𝑢𝑥‬ ‫‪Eq2‬‬

‫𝑢𝐼𝜖𝑖‬

‫حيث 𝑖𝑢𝑟 هو تقييم املستخدم 𝑢 للغرض 𝑖‪.‬‬

‫األشعة املمثّلة لتفضيالت املستخدمني‪ ،‬ميكن استخدامها لتوصية أغراض جديدة تتوافق مع ميوهلم من‬
‫بعد احلصول على هذه ّ‬
‫ِ‬
‫للمستخدم‪ ،‬وذلك ابستخدام معايري‬ ‫الشعاع 𝑢𝑥 املمثّل‬
‫خالل اقرتاح الغرض 𝑖 املمثل بشعاع اخلواص 𝑖𝑥 األكثر تشاهباً مع ّ‬
‫‪[14] .Cosine Similarity‬‬ ‫التّشابه كمعيار‬

‫]‪[11‬‬ ‫تعاين أنظمة التّوصية القائمة فقط على احملتوى عادة من املشاكل التّالية‪:‬‬

‫حمدودية حتليل احملتوى ‪ :Limited content analysis‬تعاين هذه األنظمة من حمدوديّة اخلواص املرتبطة‬ ‫•‬

‫صراحة ابألغراض املطلوب توصيتها‪ .‬حيث أنّه للحصول على خواص كافية الب ّد للمحتوى أن يكون ّإما قابالً للتحليل‬
‫يدوايً للنّظام‪ .‬تنفع تقنيّات اسرتجاع‬
‫يتم إدخال هذه اخلواص ّ‬
‫التّلقائي ابستخدام احلاسوب مثل النصوص‪ ،‬او أن ّ‬
‫املعلومات يف استخراج اخلواص املميّزة للنّصوص‪ ،‬ولكن يف بعض اجملاالت األخرى يكون من الصعب استخراج هذه‬
‫الصوت‬
‫الصور الرقميّة ومل ّفات ّ‬
‫اخلواص‪ ،‬كاالستخراج التّلقائي خلواص مل ّفات الوسائط املتع ّددة مثل الفيديوهات و ّ‬
‫لشح املوارد‪ .‬ابإلضافة إىل ما ذكر سابقاً تظهر مشكلة‬
‫يدوايً نتيجة ّ‬
‫الصعب إسناد هذه اخلواص ّ‬ ‫وغريها‪ ،‬كما أنّه من ّ‬
‫عدم القدرة على التمييز بني غرضني هلما جمموع اخلواص نفسها‪ ،‬وعليه لن تتم ّكن هذه األنظمة من التّمييز بني‬
‫الصياغة) طاملا أ ّّنما تستخدمان املصطلحات نفسها‪.‬‬
‫مقالتني (جيّدة ورديئة ّ‬
‫‪14‬‬
‫املبالغة يف التخصيص ‪ :Over-specialization‬عندما تقوم هذه األنظمة بتوصية األغراض اليت حت ّقق تشابه أعلى‬ ‫•‬
‫مع اخلواص اليت متّ إسنادها للمستخدم‪ ،‬سيكون املستخدم حمدوداً أبن يتم توصيته أبغراض مشاهبة لألغراض اليت قام‬
‫أهم املطاعم اإليطاليّة ملستخدم ما يف حال مل‬
‫حىت ّ‬ ‫بتقييمها ُمسبقاً‪ .‬فعلى ِ‬
‫سبيل املثال‪ ،‬لن يتم ّكن النّظام من توصية ّ‬
‫أي جتربة سابقة ضمن النّظام مع املأكوالت اإليطاليّة‪ .‬وهو ما اقرتح البعض إضافة شيء من العشوائيّة‬
‫يكن للمستخدم ّ‬
‫للتّخلص من هذه املشكلة‪ .‬وابإلضافة إىل ما ذكر سابقاً تندرج مشكلة أخرى ضمن هذا اإلطار وهي أنّه يف بعض‬
‫احلاالت ليس من املفيد توصية األغراض ذات التّشابه الكبري مع غرض سبق للمستخدم استعراضه‪ ،‬مثل مقالتني‬
‫‪DailyLearner‬‬ ‫تصفان احلدث ذاته والذي سبق للمستخدم القراءة عنه‪ .‬وعليه اقرتحت بعض أنظمة التوصية مثل‬
‫]‪ ،[15‬أن تتم ترشيح األغراض اليت تشابه غرض سبق للمستخدم استعراضه يف حال جتاوزت نسبة التّشابه عتبة معيّنة‪.‬‬
‫إقالع املستخدم اجلديد املتعثر ‪ :cold start‬جيب على املستخدم أي يقوم بتقييم عدد كايف من األغراض قبل‬ ‫•‬
‫يفضله هذا املستخدم وابلتايل اقرتاح أغراض جديدة تالئم رغباته‪ .‬وعليه‬
‫أن تتم ّكن هكذا أنظمة من استكشاف ما ّ‬
‫فإن املستخدم اجلديد ٍ‬
‫بعدد ٍ‬
‫قليل من التقييمات لألغراض ضمن النّظام لن يتم ّكن من احلصول على توصيات دقيقة‪.‬‬

‫‪ 4.3‬أنظمة التوصية القائمة على مبدأ الرتشيح التعاوين ‪Collaborative Filtering‬‬

‫تقوم هذه األنظمة بتوصية األغراض اعتماداً على التّشابه بني املستخدمني أو بني األغراض نفسها‪ ،‬حيث يتم توصية املستخدم‬
‫املفضلة للمستخدمني األكثر تشاهباً معه‪ .‬سرعان ما انتشرت هذه التّقنيّة نتيجة لنجاحها يف عصر اإلنرتنت حيث‬
‫ابألغراض ّ‬
‫تُستخدم هذه التّقنيّة يف أنظمة ‪ Amazon.com‬أكرب متجر كتب عرب اإلنرتنت‪ CDNow.com ،‬أكرب متجر لألقراص املضغوطة‬
‫]‪[11‬‬ ‫عرب اإلنرتنت‪ ،‬وكذلك ‪ MovieFinder.com‬أحد أكثر مواقع األفالم زايرة من قبل املستخدمني حول العامل‪.‬‬

‫معني‪ ،‬حيث يقوم املستخدمون بتقييم األغراض‬

‫تعمل هذه األنظمة من خالل جتميع تقييمات املستخدمني لألغراض ضمن جمال ّ‬
‫اليت سبق واطّلعوا عليها لتسهيل عمليّة االنتقاء ابلنسبة لغريهم‪ ،‬ومنه فإ ّن هذه التقييمات حتمل يف جوهرها نوعاً من التّوصية‬
‫الكامنة واليت ميكن االستفادة منها يف هذه األنظمة خللق توصيات شخصيّة مفيدة‪.‬‬

‫معني 𝑖 مشاهباً ملستخدم آخر 𝑣‪ ،‬يف حال كان‬

‫لغرض ّ‬ ‫𝑢‬ ‫تكمن الفكرة األساسيّة ابحتماليّة أن يكون تقييم مستخدم ما‬
‫املستخدمني السابقني قد تشاهبا يف تقييمهما ألغراض سابقة‪.‬‬

‫]‪[11‬‬ ‫تتلخص يف‪:‬‬

‫متتاز هذه األنظمة إبضافتها لثالث ميزات مفتاحيّة ّ‬
‫ُ‬
‫‪ .1‬القدرة على ترشيح األغراض ذات احملتوى الذي يصعب حتليلهُ تلقائيّاً كـملفات الوسائط املتع ّددة‪.‬‬

‫‪15‬‬
‫‪ .2‬القدرة على ترشيح األغراض بناءً على جودهتا‪ ،‬شعبيتها ودرجة مالءَمتها‪ ،‬فمثالً تستطيع أنظمة التّوصية القائمة على‬
‫الصياغة‪ ،‬وهو األمر الذي‬
‫ايضي‪ ،‬ولكنّها ال تستطيع استبعاد املقاالت رديئة ّ‬
‫احملتوى حتديد املقاالت املناسبة لشخص ر ّ‬
‫الرتشيح التّعاوينّ‪.‬‬
‫مييّز أنظمة ّ‬
‫‪ .3‬القدرة على تقدمي توصيات مفاجئة‪ ،‬خارج اإلطار املألوف للمستخدم (مثالً‪ :‬يف حال نظام توصية أفالم‪ ،‬ميكن أن‬
‫يفضلون النمط الكوميدي‪ ،‬ويتم ّكن النّظام من توصية فلم رومانسي نتيجة تشاهبه مع‬
‫يكون املستخدم من الّذين ّ‬
‫مستخدم آخر)‪.‬‬

‫ميكن جتميع هذه األنظمة ضمن جمموعتني (معتمد على النّماذج ‪ ،model-based‬معتمد على اجلوار ‪ ،)neighborhood‬ابلنسبة‬
‫املخزنة يف النّظام مباشرة لتوقّع التقييمات اجلديدة‪،‬‬
‫فيتم استخدام تقييمات املستخدمني لألغراض ّ‬
‫لألنظمة املعتمدة على اجلوار ّ‬
‫ويتح ّقق ذلك إبحدى طريقتني اعتماداً على املستخدم أو اعتماداً على الغرض‪ّ .‬أما ابلنسبة لألنظمة املعتمدة على النّماذج‬
‫لكل نظام‪ ،‬حبيث يتم استخدام هذا النموذج يف توصية أغراض جديدة للمستخدمني مالئمة‬ ‫خاص ّ‬ ‫ّ‬ ‫يتم توليد منوذج‬
‫ففيها ّ‬
‫سمى هذه املرحلة مرحلة التدريب وفيها تستخدم جمموعة‬
‫يتم بناء النّموذج يف مرحلة مبكرة قبل البدء ابلتّوصيات‪ ،‬تُ ّ‬
‫لرغباهتم‪ّ .‬‬
‫من املعطيات لتكوين هذا النموذج‪ ،‬والّذي قد يكون شجرة قرار مثالً‪.‬‬

‫تتنبّأ األنظمة اليت تعتمد على املستخدم بتقييم مستخدم 𝑢 لغرض 𝑖 ابالعتماد على تقييمات مستخدمني للغرض نفسه‪ ،‬يطلق‬
‫على هؤالء املستخدمني اسم اجلوار وميلكون نفس تفضيالت املستخدم املراد التنبّؤ بتقييمه‪ ،‬وميكن تعريف اجلوار أبنّه جمموعة‬
‫املستخدمني 𝑣 األكثر تشاهباً مع 𝑢 وذلك من حيث تشابه التقييمات اليت نسبوها لألغراض املشرتكة بينهم‪ .‬ومن جهة أخرى‬
‫يف حالة االعتماد على الغرض‪ ،‬ميكن التنبّؤ بتقييم مستخدم 𝑢 لغرض 𝑖 اعتماداً على تقييم 𝑢 ألغراض مشاهبة للغرض 𝑖‪ ،‬حبيث‬
‫يعترب غرضان متشاهبان يف حال أمجع ع ّدة مستخدمني يف النّظام على تقييمهم ابجلودة نفسها‪.‬‬

‫حيوي امللحق (‪ )1‬على املزيد من الدراسات املتعلقة أبنظمة التوصية الرقمية وحيدة املعيار‪.‬‬

‫ننتقل يف الفقرة التالية إىل تعريف مسألة التوصية الرقمية كمسألة دعم قرار متعددة املعايري‪.‬‬

‫‪16‬‬
 ‫‪ 5.3‬التوصية الرقمية كمسألة صنع قرار متعددة املعايري‬
‫ميكن أن نتّبع أحد منهجيات صنع القرار متعدد املعايري لتقدمي تعدد املعايري يف التوصية الرقمية‪ .‬لتسهيل النقاش حول استعمال‬
‫طرق وتقنيات صنع القرار متعدد املعايري عند تطوير نظام توصية رقمي‪ ،‬نقوم ابتّباع اخلطوات واألساسيات اليت وضعها بريانرد‬
‫عرايب دعم القرار متعدد املعايري يف ستينيات القرن املاضي) يف منهجية النمذجة العامة‬
‫روي ‪( Bernard Roy‬وهو يعترب أحد ّ‬
‫‪2‬‬

‫ملسائل دعم القرار متعدد املعايري ]‪ .[16‬وردت مسألة صنع القرار متعدد املعايري يف الكثري من األدبيات األخرى اليت وضحت‬
‫منهجيات أخرى لنمذجة هذه املسألة ]‪ .[19] [18] [17‬نعتمد يف حبثنا هذا على منهجية روي لتصميم نظام دعم قرار متعدد‬
‫معايري‪.‬‬

‫تتضمن منهجية روي ]‪ [16‬أربع خطوات عند حتليل مسألة دعم قرار متعدد املعايري‪:‬‬

‫‪ -1‬تعريف غرض القرار ‪ .object of decision‬أي حتديد جمموعة البدائل (املواد) اليت سيتم اختاذ القرار بناءً عليها (انتقاء‬
‫أحد البدائل)‪.‬‬
‫‪ -2‬تعريف عائلة متسقة من املعايري‪ .‬أي حتديد جمموعة من الوظائف اليت حتدد تفضيالت صانع القرار (املستخدم‬
‫املتغريات واحملددات اليت تؤثر يف قرار‬
‫اهلدف) بناءً على جمموعة البدائل املختلفة‪ .‬جيب أن تغطي هذه اجملموعة كل ّ‬
‫التوصية كما جيب أن تكون شاملة وغري زائدة عن احلاجة‪.‬‬

‫‪ -3‬تطوير منوذج تفضيل عام‪ .‬أي تعريف التابع الذي ّ‬

‫جيمع التفضيالت اجلزئية القائمة على كل معيار ضمن منوذج حيدد‬
‫التفضيل الكلي لصانع القرار خبصوص بديل مرشح‪.‬‬
‫‪ -4‬اختيار إجراء دعم القرار‪ .‬وهذا يشمل تصميم وتطوير اإلجرائية أو النماذج أو األنظمة الربجمية اليت ستساعد وتدعم‬
‫صانع القرار عند اختاذ قرار خيص جمموعة البدائل املتاحة‪ ،‬يف ضوء نتائج اخلطوات السابقة‪.‬‬

‫نشرح ابختصار اخلطوات األربع السابقة ضمن الفقرات التالية‪ ،‬وكيف ميكن ربط كل خطوة منهم مع مسألة التوصية الرقمية‪.‬‬
‫قبل اخلوض يف شرح كيفية تطبيق اخلطوات السابقة ضمن نطاق التوصية الرقمية علينا أن نذكر ابستخدام مصطلح "بدائل‬
‫‪ "Alternatives‬يف سياق مسألة دعم القرار‪ ،‬بينما نستبدهلا مبصطلح "مواد ‪ "Items‬يف مسألة التوصية الرقمية‪.‬‬

‫‪/http://www.lamsade.dauphine.fr/~roy 2‬‬
‫‪17‬‬
 ‫‪ 1.5.3‬غرض القرار‬
‫يف أنظمة التوصية الرقمية‪ ،‬يكون غرض القرار هو املادة 𝑖 اليت تنتمي إىل جمموعة املواد املتوفرة 𝑠𝑚𝑒𝑡𝐼‪ .‬للتعبري عن املنطق خلف‬
‫القرار‪ ،‬يشري "روي" إىل مفهوم إشكاليات القرار ‪ .Decision Problematics‬يتم حتدد أربع إشكاليات أساسية‪:‬‬

‫‪ .1‬اخليار ‪ :Choice‬والذي يعىن ابختيار بديل أو أكثر من بديل اليت ميكن اعتبارها أكثر مالءَمة من غريها يف جمموعة‬
‫البدائل‪.‬‬
‫‪ .2‬الفرز ‪ :Sorting‬والذي يعىن بتصنيف البدائل إىل عدد من التصنيفات املعرفة مسبقاً‪.‬‬
‫‪ .3‬الرتتيب ‪ :Ranking‬والذي يشمل ترتيب كل البدائل من األفضل حىت األسوأ‪.‬‬
‫‪ .4‬الوصف ‪ :Description‬والذي يهتم بتوصيف كل بديل يف سياق مدى أدائه على كل معيار‪.‬‬

‫ميكن اعتبار مجيع اإلشكاليات السابقة على أّنا صاحلة يف مسألة التوصية الرقمية‪:‬‬

‫‪ .1‬اختيار وتوصية أحد أو جمموعة من املواد على أّنا أكثر مالءَمة ملستخدم معني‪.‬‬
‫‪ .2‬تصنيف مجيع املواد ضمن تصنيفات معرفة مسبقاً حسب مالءمتها للمستخدم مثل "مواد مقرتحة للشراء" و"مواد‬
‫مقرتحة للمشاهدة"‪.‬‬
‫‪ .3‬ترتيب مجيع املواد من األكثر مالءمة إىل األقل مالءمة ملستخدم معني‪ ،‬وتقدمي هذه الالئحة املرتبة للمستخدم‪.‬‬
‫‪ .4‬شرح مالءمة مادة معينة ملستخدم معني‪ ،‬بناءً على تقييمها على كل معيار على حدة‪ .‬يتوافق هذا الشرح مع حتليل‬
‫كامل ألداء املادة على مجيع املعايري‪ ،‬لتوضيح مالءمة هذه املادة للمستخدم (مما يساعد املستخدم ضمن طريقة‬
‫شخصية به أن يقوم ابالختيار)‪.‬‬

‫‪ 2.5.3‬عائلة املعايري‬
‫يتم حتليل أداء البدائل يف جمموعة املواد 𝑠𝑚𝑒𝑡𝐼 بناءً على جمموعة من املعايري لكل مستخدم‪ ،‬وذلك لنمذجة مجيع خواصهم أو‬
‫واصفاهتم أو أتثريهم أو آاثرهم ]‪ .[16‬يف أنظمة التوصية الرقمية‪ ،‬قد تشري املعايري إىل جمموعة ميزات املادة (يف حالة أنظمة‬
‫التوصية املعتمدة على احملتوى) أو إىل األبعاد املتعددة اليت يتم فيها تقييم املادة‪.‬‬

‫يعرب عن تفضيالت مستخدم ما‪ ،‬وذلك ليكون املستخدم قادراً على اختاذ قرار‬ ‫)𝑖( 𝑐𝑔‬ ‫ميكن متثيل أي معيار ‪ c‬عن طريق اتبع‬
‫> ) ‪ ،)𝑔𝑐 (𝑖1‬أو يف حالة تكافؤ‬ ‫) ‪𝑔𝑐 (𝑖2‬‬ ‫(حالة‬ ‫‪𝑖2‬‬ ‫على املادة‬ ‫‪𝑖1‬‬ ‫املقارنة بني مادتني ‪ .𝑖1 , 𝑖2‬أي القدرة على تفضيل املادة‬
‫= ) ‪ .)𝑔𝑐 (𝑖1‬جيب التأكد من أن هذه امليزات (أو األبعاد)‬ ‫() ‪𝑔𝑐 (𝑖2‬‬ ‫املادتني أي القدرة على استبدال أي من املادتني ابآلخر‬
‫تشكل عائلة متسقة من املعايري‪ ،‬للقيام بقرارات منطقية ضمن مسألة تعدد املعايري‪.‬‬
‫‪18‬‬
 ‫ميكن القول عن جمموعة من املعايري أّنا متّسقة إذا حققت اخلصائص الثالثة التالية‪:‬‬

‫‪ .1‬كاملة الرتتيب ‪ .Monotonic‬نقول عن جمموعة من املعايري أّنا كاملة الرتتيب فقط إذا حتقق الشرط‪ :‬من أجل كل‬
‫= ) ‪ 𝑔𝑐 (𝑖1‬من أجل‬ ‫) ‪𝑔𝑐 (𝑖2‬‬ ‫من أجل معيار معني ‪ ،c1‬و‬ ‫) ‪𝑔𝑐1 (𝑖1 ) > 𝑔𝑐1 (𝑖2‬‬ ‫ثنائية بدائل ‪ ،𝑖1 , 𝑖2‬وعندما يكون‬
‫أفضل من البديل ‪.𝑖2‬‬ ‫‪𝑖1‬‬ ‫كل املعايري ‪ ،𝑐 ≠ 𝑐1‬ميكن عندها اعتبار البديل‬
‫‪ .2‬شاملة ‪ .Exhaustive‬نقول عن جمموعة من املعايري أّنا شاملة فقط إذا حتقق الشرط‪ :‬من أجل كل ثنائية بدائل‬
‫و ‪ 𝑖2‬متكافئني‪.‬‬ ‫‪𝑖1‬‬ ‫من أجل كل معيار ‪ ،c‬ميكن عندها اعتبار البديلني‬ ‫يكون ) ‪𝑔𝑐1 (𝑖1 ) = 𝑔𝑐1 (𝑖2‬‬ ‫‪ ،𝑖1 , 𝑖2‬وعندما‬
‫‪ .3‬غري زائدة عن احلاجة ‪ .Non-redundant‬نقول عن جمموعة من املعايري أّنا غري زائدة عن احلاجة فقط إذا ّأدى‬
‫حذف أي معيار من هذه اجملموعة إىل خمالفة اخلاصتني السابقتني‪.‬‬

‫يوجد أربعة أنواع من املعايري عاد ًة يف نظم دعم القرار متعددة املعايري ]‪:[20‬‬

‫‪ .1‬قابل للقياس ‪ :Measurable‬أي أن املعيار قابل للقياس كمياً على سلم تقييم كمي (مثالً سلم من ‪ 1‬إىل ‪.)5‬‬
‫‪ .2‬قابل للرتتيب ‪ :Ordinal‬أي أن املعيار قابل ألخذ قيمة وصفية على سلم وصفي (مثالً سلم أيخذ القيم سيءـ‪،‬‬
‫جيد‪ ،‬ممتاز)‪.‬‬
‫‪ .3‬احتمالية ‪ :Probabilistic‬أي أن املعيار ميكن أن يستخدم توزيعات احتمالية تعرب عن عدم اليقني يف التقييم‪.‬‬
‫‪ .4‬عائم ‪ :Fuzzy‬أي أن املعيار يتم تقييمه عن طريق احتمال انتماء التقييم إىل أحد اجملاالت على سلم وصفي‪.‬‬

‫من وجهة نظر عامة‪ ،‬ميكن استعمال عائلة املعايري لتسهيل متثيل تفضيالت املستخدم يف أنظمة التوصية الرقمية‪ .‬لذلك مبكننا‬
‫اعتبار مجيع أنواع املعايري األربعة ميكن استخدامها يف أنظمة التوصية الرقمية متعددة املعايري‪ ،‬على الرغم من استعمال أنواع معينة‬
‫(القابلة للقياس والقابلة للرتتيب) بشكل أكرب بكثري من األنواع األخرى (االحتمالية أو العائمة)‪.‬‬

‫‪ 3.5.3‬منوذج التفضيل العام‬

‫إن تطوير منوذج تفضيل عام (‪ )Global Preference Model‬يؤمن طريقة لتجميع التقييمات على كل معيار 𝑐𝑔‪ ،‬وذلك للتعبري‬
‫عن التفضيالت بني البدائل املختلفة ضمن جمموعة املواد 𝑠𝑚𝑒𝑡𝐼 ابالعتماد على إشكالية القرار املختارة‪ .‬مت تطوير العديد من‬
‫مناذج التفضيل العام يف نظم دعم القرار متعدد املعايري‪ .‬ميكن تصنيف هذه النماذج إىل تصنيفات متعددة تبعاً لصيغة النموذج‬
‫املستخدم وإجرائية إنشاءه‪ .‬تبعاً لـ ـ ]‪ [20‬و ]‪ ،[21‬ميكن تصنيف مقارابت منذجة التفضيل العام تبعاً للتصنيفات التالية‪:‬‬

‫‪ .1‬مناذج تركز على القيمة ‪ .Value-Focused‬يتم يف هذه النماذج بناء نظام لتجميع تفضيالت املستخدم على كل‬
‫معيار‪ .‬يف مثل هذه النماذج يتم جتميع أو تركيب التفضيالت اجلزئية على كل معيار ضمن اتبع للقيمة الكلية ندعوه‬
‫‪19‬‬
‫( ‪Multi Attribute Utility Theory‬‬ ‫عاد ًة بتابع املنفعة‪ .‬تدعى هذه املقاربة عاد ًة "نظرية املنفعة متعددة الواصفات‬
‫”‪.")“MAUT‬‬
‫‪ .2‬مناذج األمثَلة متعددة األهداف ‪ .Multi-Objective Optimization‬حيث يتم التعبري عن املعايري كقيود يف مسألة‬
‫أمثَلة متعددة األهداف‪ .‬يكون اهلدف يف هذه املقارابت هو إجياد احلل األمثل حبسب ابريتو ‪ [22] Pareto‬ملسألة‬
‫األمثَلة‪.‬‬
‫‪ .3‬مناذج عالقات الرتتيب ‪ .Outranking Relations‬حيث يتم التعبري عن األفضليات كنظام من العالقات الرتاتبية‬
‫بني املواد‪ ،‬مما يتيح التعبري عن عدم املقارنة‪ .‬يف هذه املقاربة‪ ،‬جتري مقارنة ثنائية بني كل املواد (بعضها مع اآلخر)‪،‬‬
‫وتكون العالقات من منط‪ a" :‬أفضل من ‪ ،"b‬أو "‪ a‬و ‪ b‬متكافآن" أو "‪ a‬و ‪ b‬غري قابلني للمقارنة" ]‪. [23‬‬
‫‪ .4‬مناذج تصنيف التفضيالت ‪ .Preference Disaggregation‬حيث يتم اشتقاق منوذج التفضيالت عن طريق حتليل‬
‫القرارات السابقة‪ .‬تعترب هذه املقارابت أحياانً تصنيفاً فرعياً من التصنيفات املذكورة يف األعلى‪ ،‬مبا أّنا تشتق منوذجاً‬
‫آخر من صيغة معينة (منوذج يركز على القيمة أو يعتمد على عالقات الرتتيب) من منوذج تفضيالت سابق أدى إىل‬
‫اختاذ قرارات يف املاضي‪ .‬هتدف هذه النماذج إىل إنتاج القرارات املشاهبة حلاالت حدثت يف املاضي ومت اختاذ قرار فيها‬
‫]‪.[20‬‬

‫ميكن استعمال مقارابت خمتلفة من مجيع التصنيفات إلنشاء منوذج تفضيل عام يف نظام التوصية‪ ،‬وذلك اعتماداً على إشكالية‬
‫القرار املعتمدة وعلى البيئة اليت يعمل فيها نظام التوصية‪.‬‬

‫‪ 4.5.3‬إجراء دعم القرار‬

‫يف هذه اخلطوة‪ ،‬يتم االعتماد على قرار ّنائي ملسألة دعم القرار متعددة املعايري عن طريق اختيار الطريقة املناسبة من الطرق‬
‫املعرفة يف اخلطوات السابقة‪ .‬مثل مسائل دعم القرار متعددة املعايري‪ ،‬حتتاج أنظمة التوصية متعددة املعايري إىل استعمال طرق‬
‫خمتلفة للتطبيقات واجملاالت املختلفة‪.‬‬

‫على الرغم من املنهجيات املذكورة سابقاً‪ ،‬فإن املنظور املتبع يف نظم دعم القرار متعددة املعايري هو واسع الطيف وغري مقيِّد عند‬
‫منذجة نظم التوصية متعددة املعايري‪ ،‬وذلك ألن العديد من نظم التوصية متعددة املعايري (على الرغم من عدم اعتمادها بشكل‬
‫كامل للمنهجيات السابقة الذكر) ميكن مالءمتها ضمن نطاق مسائل دعم القرار متعددة املعايري‪ ،‬وذلك بسبب اعتمادها على‬
‫مصادر معلومات متعددة مثل امللفات الشخصية للمستخدمني ومواصفات املواد حبد ذاهتا‪ ،‬مما جيعلها نظم دعم قرار متعددة‬
‫املعايري حبكم الواقع ‪.de facto‬‬

‫‪20‬‬
‫من املهم أن نذكر أن نظم التوصية املوجودة ال تلتزم أحياانً إبنشاء عائلة متسقة من املعايري (ال تكون شاملة أحياانً) وهو ما‬
‫يدعو إىل البحث أكثر يف هذه القضية ]‪.[9‬‬

‫‪ 6.3‬إطار نظم دعم القرار متعددة املعايري يف نظم التوصية الرقمية‬

‫تصنف عادةً تقنيات التوصية الرقمية بناءً على مقاربة التوصية املستخدمة إىل عدة تصنيفات‪:‬‬

‫‪Content Based‬‬ ‫‪ -‬االعتماد على احملتوى‬

‫‪Collaborative Filtering‬‬ ‫‪ -‬الرتشيح التعاوين‬
‫‪Knowledge Based‬‬ ‫‪ -‬االعتماد على املعرفة‬
‫‪Hybrid Approaches‬‬ ‫‪ -‬األنظمة اهلجينة‬

‫تعتمد التقنيات املعتمدة على احملتوى على حتديد االقرتاحات بناءً على مواصفات املواد اليت قام املستخدم بتفضيلها يف املاضي‬
‫]‪ ،[3‬فيما تعتمد تقنيات الرتشيح التعاوين على حتديد االقرتاحات بناءً على املستخدمني اآلخرين الذين ميلكون تفضيالت‬
‫مشاهبة للمستخدم‪ .‬تستخدم التقنيات املعتمدة على املعرفة املعلومات املتوفرة عن املستخدمني واملواد إلجياد متطلباهتم ]‪.[24‬‬
‫تتطلب تقنيات االعتماد على املعرفة وجود قاعدة معرفة قبل البدء ابلعمل وهذا ما ميثل عنق زجاجة يف هذه التقنيات‪ ،‬لكن‬
‫تفيد هذه القاعدة يف جتنب اإلقالع املتعثر وتبعثر املعطيات اليت تعاين منها التقنيات املعتمدة على احملتوى وعلى الرتشيح التعاوين‬
‫كوّنا تستخدم التقييمات اليت قام هبا املستخدم للمواد فقط ]‪ .[10‬تدمج األنظمة اهلجينة بني التقنيات الثالث السابقة بعدة‬
‫طرق ختتلف حسب النظام وتقنية الربط‪.‬‬

‫من املهم أن نالحظ أن العبارة "متعددة املعايري" هي عبارة عامة جداً‪ ،‬لذلك ميكن تصنيف أنظمة التوصية حسب طبيعة تعدد‬
‫املعايري فيها إىل التصنيفات الثالثة التالية ]‪:[25‬‬

‫‪Multi-attribute content search, filtering, and‬‬ ‫‪ -‬البحث والتصفية يف احملتوى متعدد الواصفات ومنذجة التفضيالت‬
‫‪.preference modeling‬‬
‫‪ -‬اسرتاتيجيات التوصية متعددة األهداف ‪.Multi-objective recommendation strategies‬‬
‫‪ -‬التفضيل القائم على التقييم متعدد املعايري ‪.Multi-criteria rating-based preferences‬‬

‫نوضح يف الفقرات التالية نظرة عامة عن التصنيفات السابقة‪.‬‬

‫‪21‬‬
 ‫‪ 1.6.3‬البحث والتصفية يف احملتوى متعدد الواصفات ومنذجة التفضيالت‬
‫تسمح هذه املقارابت للمستخدم بتحديد تفضيالته اعتماداً على مواصفات معتمدة على احملتوى عرب مجيع املواد‪ ،‬وذلك عن‬
‫طريق إجراءات البحث والتصفية (البحث عن األفالم الكوميدية فقط مثالً) أو عرب حتديد مواصفات احملتوى املفضلة لدى‬
‫املستخدم (حتديد املمثلني املفضلني مثالً أو حتديد تصنيفات األفالم املفضلة كاألفالم الكوميدية مثالً)‪ .‬يقوم نظام التوصية‬
‫بتوصية املواد للمستخدم اليت تشابه تفضيالته الصرحية أو خيارات البحث والتصفية اليت قام ابلتصريح عنها‪.‬‬

‫لذلك وعلى الرغم من وجود "تعدد املعايري" بسبب وجود املواصفات املتعددة للمواد‪ ،‬ميكن متثيل هذه املقارابت يف النماذج‬
‫‪Information Retrieval‬‬ ‫أو حىت أنظمة اسرتجاع املعلومات‬ ‫‪Content-based‬‬ ‫املوجودة مثل األنظمة املعتمدة على احملتوى‬
‫التقليدية‪.‬‬

‫‪ 2.6.3‬اسرتاتيجيات التوصية متعددة األهداف‬

‫يكون هدف العمل على أنظمة التوصية الرقمية عادةً هو تطوير خوارزميات توصية تؤمن اقرتاحات دقيقة‪ ،‬حيث يتم قياس‬
‫الدقة عن طريق مقاييس خمتلفة مثل اخلطأ املطلق األصغري ‪ MAE‬أو اجلذر الرتبيعي ملتوسط مربعات اخلطأ ‪ RMSE‬أو الدقة‬
‫‪ Precision‬أو قياس االستجابة ‪ Recall‬أو العديد من املقاييس األخرى اعتماداً على مهمة التوصية‪.‬‬

‫يد أن فهم دقة التوصية قد ال يكون دائماً متوافق دائماً مع منفعة التوصية‪ .‬قدم الباحثون العديد من املقاييس األخرى مبا فيها‬
‫بَ َ‬
‫والصدفة ‪ ،Serendipity‬لقياس أداء (وليس دقة) نظام التوصية‪.‬‬ ‫‪Novelty‬‬ ‫واحلداثة‬ ‫‪Diversity‬‬ ‫والتنوع‬ ‫‪Coverage‬‬ ‫التغطية‬
‫كنتيجة‪ ،‬ميكن ألنظمة التوصية الرقمية أن تستخدم معايري أداء متعددة عن آخذ القرار يف جمموعة املواد املقرتحة للمستخدم‬
‫مثل استخدام الدقة والتنوع وحداثة االقرتاحات يف نظام توصية شبكة ‪.[26] Netflix‬‬

‫يف اخلالصة‪ ،‬طبيعة "تعدد املعايري" يف هذه املقارابت ال تظهر يف حماولة متثيل تفضيالت املستخدم بشكل أكثر تعقيداً وإمنا عن‬
‫طريق أمثَلة عدة أهداف ألداء نظام التوصية‪.‬‬

‫‪ 3.6.3‬التفضيل القائم على التقييم متعدد املعايري‬

‫تستفيد هذه التقنيات من التقييمات متعددة املعايري واليت متثل تفضيالت املستخدم الشخصية ملكوانت (أو مواصفات) خمتلفة‬
‫للمواد‪ .‬كمثال‪ ،‬ميكن للمستخدم يف مثل هذه األنظمة أال يقيم الفيلم من منطلق الرضى الكلي عنه‪ ،‬وإمنا ميكنه أن يقيم عدة‬
‫عوامل يف الفيلم مثل القصة واملؤثرات البصرية والتمثيل‪ .‬ميكن أن نقول عن هذه األنظمة اّنا تسمح للمستخدم أن يقوم بتحديد‬
‫ب ـ ‪ 5\3‬للقصة و‪ 5\5‬للمؤثرات‬ ‫‪Avatar‬‬ ‫تفضيالته بشكل أدق عن طريق حتديد تقييمه على عدة معايري (تقييم الفيلم‬
‫البصرية)‪ ،‬ومن مث االستفادة من هذه معلومات التفضيالت املصقولة يف توصية املواد‪.‬‬
‫‪22‬‬
‫ختتلف هذه املقاربة عن مقاربة احملتوى متعدد الواصفات يف عدم حتديد املستخدم لتفضيالته أو أمهية املؤثرات البصرية لألفالم‬
‫أحب املؤثرات البصرية يف فيلم حمدد‪.‬‬
‫واستخدامها يف استعالم من قبله‪ ،‬وإمنا حيدد املستخدم كم َّ‬

‫‪ 7.3‬اخلالصة‬
‫يف اخلالصة‪ ،‬وكما رأينا سابقاً‪ ،‬ميكن رؤية العديد من أنظمة التوصية الرقمية (اليت توظّف التقنيات التقليدية مثل االعتماد على‬
‫احملتوى أو الرتشيح التعاوين أو االعتماد على املعرفة أو النظم اهلجينة) على أّنا نظم توصية متعددة املعايري بطريقة أو أبخرى‪.‬‬
‫تقوم بعض هذه املقارابت بنمذجة تفضيالت املستخدم بناءً على املواد متعددة الواصفات اليت قام املستخدم بتفضيلها يف‬
‫املاضي‪ ،‬بينما تقوم أنظمة أخرى ابالعتماد على السماح للمستخدم بتحديد تفضيالته للمواد على هيئة حبث وتصفية ضمن‬
‫هذه املواد‪ ،‬وتقوم ابقي األنظمة بتأمني التوصيات مبوازنة العديد من مقاييس األداء‪.‬‬

‫على الرغم من ذلك‪ ،‬فإن االجتاه احلايل يف نظم التوصية متعددة املعايري هو دراسة مقارابت مبتكرة يف الرتشيح التعاوين عرب‬
‫حماولة منذجة تفضيالت املستخدم بطريقة دقيقة وشاملة عن طريق التقييم على معايري متعددة ]‪.[25‬‬

‫نعتقد أن املعلومات اإلضافية يف تفضيالت املستخدم تق ّدم فرص عديدة لتقدمي نظم توصية رقمية هادفة عن طريق بناء بيئة‬
‫تقييم متعددة املعايري‪ .‬لذلك نقدم يف الفصل القادم دراسة مرجعية للتقنيات املستخدمة يف هذا النمط من أنظمة التوصية اليت‬
‫‪Multi-Criteria Rating‬‬ ‫تستخدم تقييمات فردية على معايري متعددة‪ ،‬واليت سنشري إليها نظم التوصية متعددة املعايري‬
‫‪.Recommenders‬‬

‫‪23‬‬
‫‪ 4‬الفصل الثالث‪ :‬الدراسة املرجعية‬

‫‪24‬‬
 ‫‪Multi-Criteria Rating Recommendation‬‬ ‫‪ 1.4‬نظم التوصية متعددة املعايري‬
‫نعرف يف هذا الفصل مسألة التوصية ذات التقييم متعدد املعايري انطالقاً من نظريهتا ذات التقييم وحيد املعيار‪ ،‬كما نناقش الفوائد‬
‫اليت تقدمها فكرة تعدد املعايري ألنظمة التوصية الرقمية‪ .‬نعرف أوالً ابلتوصية وحيدة املعيار التقليدية ومث ننطلق إىل توسعتها‬
‫لتشمل التقييم متعدد املعايري‪.‬‬

‫‪ 1.1.4‬التوصية وحيدة املعيار التقليدية‬

‫𝑠𝑟𝑒𝑠𝑈‪ .‬متثل منفعة‬ ‫𝑠𝑚𝑒𝑡𝐼 ×‬ ‫تعمل أنظمة التوصية الرقمية التقليدية يف فضاء ثنائي البعد مكون من املستخدمني واملواد‬
‫‪ Utility‬املواد للمستخدمني عاد ًة عن طريق جمموعة مرتبة ترتيباً كلياً من التقييمات‪ .‬ميكن أن تكون هذه اجملموعة أحادية العنصر‬
‫(مثل شراء منتج) أو ثنائية العناصر (مثل اإلعجاب ‪ Like‬وعدم اإلعجاب ‪ ،Dislike‬أو مرتفع ‪ High‬ومنخفض ‪ ،Low‬أو‬
‫جيد ‪ Good‬وسيء ‪ ،)Bad‬أو جمموعة حمددة من القيم املرتبة (مثل سلم التقييم من جنمة واحدة إىل مخس جنوم)‪ ،‬أو جمال من‬
‫األرقام (مثل ]‪.[6] )[−10, +10‬‬

‫𝑠𝑟𝑒𝑠𝑈‪ ،‬وهو جمموعة املواد اليت قام املستخدمون‬ ‫𝑠𝑚𝑒𝑡𝐼 ×‬ ‫يكون التابع ‪ R‬معروفاً بشكل صريح جملموعة جزئية من الفضاء‬
‫𝑠𝑟𝑒𝑠𝑈 غري معروفاً‪ .‬هتدف أنظمة التوصية إىل توقع منفعة (أو ميكننا استخدام‬ ‫𝑠𝑚𝑒𝑡𝐼 ×‬ ‫بتقييمها سابقاً‪ .‬ويكون معظم اجملال‬
‫"تقييم") مادة ما ملستخدم ما‪ .‬ميكن كتابة التابع ‪ R‬ابلشكل‪:‬‬

‫‪𝑅: 𝑈𝑠𝑒𝑟𝑠 × 𝐼𝑡𝑒𝑚𝑠 → 𝑅0‬‬ ‫‪Eq3‬‬

‫يتم حتديد التابع ‪ R‬اعتماداً على مدخالت املستخدم مثل التقييمات العددية اليت قام بتزويدها صراحةً للمواد و‪/‬أو بياانت‬
‫املعامالت اليت تظهر تفضيالت املستخدم (مثل سجل املشرتايت اليت قام املستخدم بشرائها)‪ .‬تستخدم معظم نظم التوصية‬
‫الرقمية تقييمات وحيدة املعيار اليت تعرب عن تفضيل املستخدم ملادة ما بشكل عام‪ .‬على سبيل املثال‪ ،‬يف نظام توصية أفالم‬
‫بقيمة ‪ ،10\5‬ميكن أن نكتب‬ ‫‪Wanted‬‬ ‫بتقييم الفيلم‬ ‫‪Alice‬‬ ‫وكما هو مبني يف الشكل ‪ ،1‬قام املستخدم‬
‫‪ .𝑅(𝐴𝑙𝑖𝑐𝑒, 𝑊𝑎𝑛𝑡𝑒𝑑) = 5‬لتوضيح الفكرة نفرتض أننا نستخدم تقنية الرتشيح التعاوين إلجياد جوار املستخدم ومنه توقع‬
‫التقييم ]‪ .[4‬تتوقع هذه التقنية تقييم املستخدم ملادة معينة بناءً على تقييمات املستخدمني اآلخرين الذين ميلكون تفضيالت‬
‫‪Alice‬‬ ‫مشاهبة (أي جوار املستخدم)‪ .‬بشكل حمدد‪ ،‬يف املثال املرفق يف الشكل ‪ ،1‬حياول نظام التوصية توقع تقييم املستخدم‬
‫للفيلم ‪ Fargo‬بناءً على التقييمات املالحظة‪ .‬مبا أن املستخدمني ‪ Alice‬و‪ John‬يظهران تشابه يف منط تقييماهتما على األفالم‬
‫األربعة األخرى اليت شاهدوها سابقاً وقاموا بتقييمهما‪ .‬لغرض هذا املثال البسيط‪ ،‬يتوقع النظام تقييم فيلم ‪ Fargo‬للمستخدم‬
‫‪ Alice‬بناءً على تقييم املستخدم ‪ John‬له (‪ John‬هو جوار ‪ Alice‬يف هذه احلالة) أي ‪ .10\9‬جيب أن نالحظ أننا نستخدم‬
‫يف احلاالت العامة تقييمات من عدة مستخدمني وليس مستخدم واحد فقط يف األنظمة الواقعية‪.‬‬
‫‪25‬‬
 ‫الشكل ‪ 1‬نظام توصية أفالم وحيد املعيار‬

‫‪ 2.1.4‬توسعة نظم التوصية التقليدية لتشمل التقييم متعدد املعايري‬

‫مع منو عدد من تطبيقات العامل الواقعي‪ ،‬جرى اعتبار توسعة تقنيات التوصية لتأخذ بعني االعتبار التقييم متعدد املعايري على‬
‫أّنا واحدة من القضااي املهمة يف اجليل اجلديد من أنظمة التوصية الرقمية ]‪ .[6‬بعض األمثلة ألنظمة التوصية ذات التقييم متعدد‬
‫املعايري تشمل األنظمة التالية‪:‬‬

‫‪ -‬دليل ‪ Zagat3‬الذي يؤمن ثالثة معايري لتقييم املطاعم (الطعام والديكور واخلدمة)‪.‬‬
‫‪ -‬موقع ‪ Buy.com‬الذي يؤمن عدة معايري لتقييم األجهزة اإللكرتونية (حجم العرض واألداء ومدة حياة البطارية والكلفة)‪.‬‬
‫‪ -‬موقع ‪ Yahoo! Movies‬الذي يسمح بتقييم األفالم على أربعة معايري (القصة واحلركات واإلخراج واملؤثرات البصرية)‪.‬‬

‫ميكن للمعلومات اإلضافية عن تفضيالت املستخدم اليت تقدمها التقييمات متعددة املعايري (بدالً من املعيار الوحيد) أن تشكل‬
‫عوانً يف حتسني أداء نظام التوصية الرقمي‪.‬‬

‫ختتار بعض أنظمة التقييم متعدد املعايري أن تُنمذج منفعة (أو تقييم) املستخدم ملادة معينة عن طريق تقييم عام ‪ R0‬ابإلضافة إىل‬
‫التقييمات املختلفة 𝑘𝑅 ‪ 𝑅1 , 𝑅2 , … ,‬على كل معيار على حدة )𝑘 ‪ ،𝑐 (𝑐 = 1, … ,‬بينما ختتار أنظمة أخرى أن تنمذج التقييم‬
‫بدون استعمال التقييم الكلي ‪ R0‬وتركز فقط على التقييمات اإلفرادية‪ .‬لذلك ميكن متثيل اتبع املنفعة يف مسألة التوصية متعددة‬
‫املعايري املعتمدة إما مع التقييم الكلي أو بدونه كالتايل‪:‬‬

‫𝑘𝑅 × … × ‪𝑅: 𝑈𝑠𝑒𝑟𝑠 × 𝐼𝑡𝑒𝑚𝑠 → 𝑅0 × 𝑅1‬‬ ‫‪Eq4‬‬

‫أو‪:‬‬

‫‪/https://www.zagat.com 3‬‬
‫‪26‬‬
 ‫𝑘𝑅 × … × ‪𝑅: 𝑈𝑠𝑒𝑟𝑠 × 𝐼𝑡𝑒𝑚𝑠 → 𝑅1‬‬ ‫‪Eq5‬‬
‫بوجود التقييمات متعددة املعايري (ومع وجود التقييم الكلي ‪ ،)R0‬توضح األشكال الشكل ‪ 1‬والشكل ‪ 2‬الفوائد املمكنة من‬
‫املعلومات اإلضافية املمثلة يف التقييمات اإلضافية على املعايري املختلفة‪.‬‬

‫الشكل ‪ 2‬نظام توصية أفالم متعدد املعايري (التقييمات لكل فيلم‪ :‬التقييم الكلي‪ ،‬القصة‪ ،‬احلركات‪ ،‬اإلخراج‪ ،‬املؤثرات البصرية)‬

‫بينما ميتلك كل من ‪ Alice‬و‪ John‬تفضيالت متشاهبة يف نظام توصية وحيد املعيار (الشكل ‪ ،)1‬ميكن أن نرى يف نظام توصية‬
‫متعدد املعايري أّنما يظهران تفضيالت خمتلفة ملختلف تفاصيل (معايري) األفالم‪ ،‬على الرغم من امتالكهما تفضيالت متشاهبة‬
‫‪Alice‬‬ ‫يف التقييمات الكلية (الشكل ‪ .)2‬بعد التدقيق يف كل املعلومات اليت تظهرها التقييمات املتعددة‪ ،‬ميكن أن نشاهد أن‬
‫و‪ Mason‬يظهران منط تقييم متشابه (أكثر بكثري من النمط الذي يظهره كل من ‪ Alice‬و‪ .)John‬لذلك‪ ،‬وابستخدام نفس‬
‫مقاربة الرتشيح التعاوين املستخدمة سابقاً‪ ،‬ولكن مع أخذ التقييمات متعددة املعايري بعني االعتبار‪ ،‬ميكن أن نتوقع أن يكون‬
‫تقييم ‪ Alice‬للفيلم ‪ Fargo‬هو ‪ 5/10‬بناءً على تقييم ‪ Mason‬لنفس الفيلم‪.‬‬

‫حيوي هذا املثال على أن التقييم الكلي فقط ميكن أن خيفي التفاوت الضمين يف تفضيالت املستخدم للجوانب املختلفة ملادة‬
‫معينة‪ ،‬وميكن للتقييمات متعددة املعايري أن تساعد على فهم تفضيالت كل مستخدم‪ ،‬ومنه القدرة على تزويد املستخدم‬
‫بتوصيات أدق‪ .‬يوضح املثال أيضاً كيف ميكن للتقييمات متعددة املعايري أن تنتج توصيات موجهة بدقة‪ ،‬مثالً‪ ،‬عن طريق اقرتاح‬
‫األفالم اليت حتقق أفضل تشابه على معيار القصة إذا كان هذا املعيار هو املعيار األهم للمستخدم‪.‬‬

‫لذلك‪ ،‬حنتاج لتقنيات وخوارزميات توصية جديدة تستفيد من التقييمات متعددة املعايري يف أنظمة التوصية‪ .‬مبا أن أنظمة التوصية‬
‫حتسب وتقدم توصيات ابستخدام إجراء ذو مرحلتني‪ ،‬ومها مرحلة توقع التقييم ومرحلة توليد االقرتاحات‪ .‬ميكن استخدام‬
‫معلومات التقييمات متعددة املعايري يف كال املرحلتني بطرق خمتلفة‪.‬‬

‫مت تطوير بعض املقارابت ملرحليت التوقع والتوصية ويوجد بعض األنظمة اليت تنفذ هذه املقارابت واليت سنقوم بتحليلها يف الفقرتني‬
‫التاليتني‪.‬‬

‫‪27‬‬
‫التوقع ‪ :Prediction‬وهي املرحلة اليت يتم فيها حساب تفضيالت املستخدم (أي تقييماته املتوقعة)‪ .‬عاد ًة‪ ،‬يف هذه املرحلة‪،‬‬
‫𝑠𝑟𝑒𝑠𝑈 اعتماداً على التقييمات املعروفة سابقاً وبعض‬ ‫𝑠𝑚𝑒𝑡𝐼 ×‬ ‫يتوقع نظام التوصية اتبع املنفعة ‪ R‬لكل أو جزء من الفضاء‬
‫املعلومات األخرى (مثل امللفات الشخصية للمستخدمني و‪/‬أو حمتوى املواد)‪ ،‬أي يف كلمات أخرى‪ ،‬يتم حساب توقع التقييم‬
‫للمواد غري املعروف‪.‬‬

‫التوصية ‪ :Recommendation‬يف هذه املرحلة يتم استخدام التوقعات احملسوبة لدعم قرار املستخدم عن طريق إجراء توصية‬
‫معني‪ ،‬أي هي املرحلة اليت يتم فيها توصية جمموعة من ‪ N‬أفضل مادة اليت تعطي أعظم منفعة (مثل توصية أفضل ‪ N‬مادة الذين‬
‫ميلكون أفضل تقييمات متوقعة واليت حتقق بعض الشروط اإلضافية مثل تنوع وحداثة املواد)‪.‬‬

‫نقوم أوالً بتصنيف التقنيات املوجودة يف نظم التوصية ذات التقييمات متعددة املعايري إىل تقنيات تستخدم أثناء توقع التقييم‬
‫وتقنيات تستخدم أثناء توليد التوصيات‪ ،‬كما نشرح هذه التقنيات ابلتفصيل يف الفقرتني القادمتني‪ .‬يقدم اجلدول ‪ 1‬نظرة عامة‬
‫عن هذه التقنيات‪.‬‬

‫‪28‬‬
 ‫اجلدول ‪ 1‬تقنيات نظم التوصية ذات التقييمات متعددة املعايري‬

‫التقنيات املستعملة‬ ‫املرحلة‬

‫‪Model Based‬‬ ‫مقارابت تعتمد على النماذج‬ ‫‪Heuristic Based‬‬ ‫توقع التقييم مقارابت تعتمد على التجربة‬
‫‪ -‬استخدام التقييمات متعددة املعايري لتحسني ‪ -‬بناء مناذج توقع لتقدير التقييمات غري املعروفة‬ ‫‪Rating‬‬
‫‪Prediction‬‬
‫بناءً على التقييمات متعددة املعايري‪:‬‬ ‫حساب تشاهبات مستخدم‪-‬مستخدم أو‬
‫‪ o‬املقاربة التقليدية‪ :‬بناء مناذج لتجميع‬ ‫مادة‪-‬مادة يف الرتشيح التعاوين املعتمد على‬
‫معطيات التقييم اإلفرادية إىل تقييم كلي‬ ‫اجلوار‪:‬‬
‫واحد‪.‬‬ ‫‪ o‬حساب قيم التشابه على كل معيار‪ ،‬مث‬
‫جتميع التشاهبات يف قيمة تشابه وحيدة ‪ -‬املقارابت النموذجية ‪Representative model-‬‬

‫‪:base approaches‬‬ ‫(ميكن أن نستخدم أوزان أمهية لكل‬

‫‪ o‬توابع التجميع البسيطة‪ :‬الوسطي البسيط‪،‬‬
‫االحندار اخلطي ‪.Linear regression‬‬
‫‪ o‬النمذجة القائمة على االحتماالت‪ :‬مناذج‬
‫‪Flexible Mixture‬‬ ‫اخلليط املرنة‬
‫‪ ،Models‬التحليل الداليل االحتمايل‬
‫الكامن ‪probabilistic latent semantic‬‬
‫‪.analysis‬‬
‫معيار)‪.‬‬
‫‪ o‬حساب قيم التشابه ابستخدام مقاييس‬
‫مسافة متعددة األبعاد مباشرةً على أشعة‬
‫التقييمات متعددة املعايري‪.‬‬
‫‪ -‬توقع التقييمات بشكل جترييب ابستخدام منذجة‬
‫املنطق العائم ‪:Fuzzy Modeling‬‬
‫‪ o‬النمذجة العائمة اللغوية ‪Fuzzy‬‬

‫‪Multi-linear‬‬ ‫‪singular‬‬ ‫‪value -‬‬ ‫‪.Linguistic Modeling‬‬

‫‪.(MSVD) decomposition‬‬ ‫‪ o‬جتميع التفضيالت متعددة املعايري العائم‬
‫‪ - Fuzzy multi-criteria preference‬توابع التجميع املعقدة‪Support Vector :‬‬

‫)‪.Regression (SVR‬‬ ‫‪.modeling‬‬

‫‪ -‬عند وجود التقييم الكلي ‪( R0‬ضمن التقييمات املتعددة)‪:‬‬ ‫توليد‬

‫‪ o‬ترتيب املواد حسب تقييمها املتوقع‪.‬‬ ‫التوصيات‬
‫(إجياد أفضل ‪ -‬عند عدم وجود التقييم الكلي ‪:R0‬‬
‫‪ o‬تصميم ترتيب كلي للتوصيات عن طريق استخدام مقاربة )‪.[27] UTA (UTilités Additives‬‬ ‫املواد)‬
‫‪ o‬إجياد احلل األمثل من منط ‪.Pareto‬‬
‫‪ o‬استخدام املعايري اإلفرادية كمرشحات للتوصية‪.‬‬

‫‪29‬‬
 ‫‪Engaging Multi-Criteria Ratings During Prediction‬‬ ‫‪ 2.4‬تضمني التقييم متعدد املعايري أثناء التوقع‬
‫نغطي يف هذه الفقرة نظرة عامة عن التقنيات اليت تستعمل التقييمات متعددة املعايري يف توقع التقييم الكلي أو التقييمات‬
‫اإلفرادية (أو كليهما)‪ .‬يف العموم‪ ،‬ميكن تصنيف تقنيات التوصية عرب تشكيل اتبع املنفعة إىل تصنيفني‪ :‬تقنيات تعتمد على‬
‫التجربة ‪( Heuristic Based‬يتم اإلشارة إليها أحياانً ابملعتمدة على الذاكرة ‪ ،)memory-based‬وتقنيات تعتمد على النماذج‬
‫‪.[28] [6] Model Based‬‬

‫تقوم التقنيات املعتمدة على التجربة حبساب منفعة (تقييم) كل مادة للمستخدم بسرعة وبشكل آيل اعتماداً على املعلومات‬
‫املالحظة للمستخدم ومبنية بشكل أساسي على فرضية جتريبية معينة‪ .‬على سبيل املثال‪ ،‬التقنية املعتمدة على اجلوار‪ ،‬واحدة من‬
‫َ‬
‫مستخدمني يظهران تفضيالت متشاهبة‬
‫َ‬ ‫أشهر تقنيات الرتشيح التعاوين اليت تعتمد على التجريبيات‪ .‬تفرتض هذه التقنية أن أي‬
‫املشاهدة (غري املعروفة) كذلك‪ .‬على النقيض من ذلك‪ ،‬تقوم‬
‫املشاهدة سيظهران تفضيالت متشاهبة على املواد غري َ‬
‫على املواد َ‬
‫املشاهدة ابلشكل األفضل‪ ،‬ومن‬
‫التقنيات القائمة على النماذج بتعلم منوذج توقعي ‪ ،Predictive Model‬الذي يشرح املعطيات َ‬
‫املتعلَّم لتوقع تقييم املواد غري َ‬
‫املشاهدة للتوصية‪.‬‬ ‫مث نستعمل هذا النموذج َ‬
‫تبعاً هلذا التصنيف‪ ،‬نقدم خوارزميات التوصية املعتمدة على التقييمات متعددة املعايري عن طريق جتميعهم إىل مقارابت تعتمد‬
‫على التجربة ومقارابت تعتمد على النماذج‪.‬‬

‫‪Heuristic Approaches‬‬ ‫‪ 1.2.4‬املقارابت التجريبية‬

‫جرى العمل يف بعض املقارابت السابقة على توسيع حساب التشابه يف تقنيات الرتشيح التعاوين التقليدية املعتمدة على التجربة‬
‫لتعكس املعلومات الناجتة عن التقييمات متعددة املعايري ]‪ .[30] [29] [8‬يف هذه املقاربة‪ ،‬يتم حساب التشابه بني املستخدمني‬
‫عن طريق جتميع التشاهبات التقليدية للمعايري اإلفرادية أو عن طريق مقاييس املسافة متعددة األبعاد‪ .‬جيب أن نالحظ أن هذه‬
‫املقاربة تغري يف اجملتزأ اخلاص حبساب التشابه يف خوارزميات التوصية التقليدية‪ ،‬أي عند حساب التشابه‪ ،‬تبقى إجرائية حساب‬
‫التقييم الكلي نفسها‪.‬‬

‫تتوقع تقنية التوصية القائمة على الرتشيح التعاوين املعتمد على اجلوار التقييمات غري املعروفة ملستخدم معني اعتماداً على‬
‫التقييمات املعروفة للمستخدمني اآلخرين اللذين ميلكون تفضيالت متشاهبة هلذا املستخدم (جوار املستخدم)‪ .‬لذلك‪ ،‬فإن‬
‫اخلطوة األوىل من إجراءات التوقع هي اختيار طريقة حساب التشابه إلجياد عائلة اجلوار لكل مستخدم‪ .‬مت استخدام العديد‬
‫‪Correlation‬‬ ‫من الطرق حلساب التشابه يف أنظمة التوصية وحيدة املعيار‪ ،‬ومن أشهر هذه الطرق هي االعتماد على الرتابط‬
‫واالعتماد على الزوااي ‪.Cosine‬‬

‫‪30‬‬
‫)𝑢(𝑅 وسطي التقييمات للمستخدم ‪ .u‬على افرتاض أن‬
‫للمادة ‪ ،i‬وميثل ̅̅̅̅̅̅‬ ‫‪u‬‬ ‫التقييم الذي أعطاه املستخدم‬ ‫)𝑖 ‪𝑅(𝑢,‬‬ ‫ميثل‬
‫بتقييمهم‪ ،‬ميكن كتابة مقياسني شهريين ابلشكل‪:‬‬ ‫‪𝑢, 𝑢′‬‬ ‫متثل جمموعة املواد املشرتكة اليت قام املستخدمان‬ ‫) ‪𝐼 (𝑢, 𝑢′‬‬

‫مقياس ‪ Pearson‬املعتمد على الرتابط‪:‬‬ ‫•‬

‫‪′‬‬
‫̅̅̅̅̅̅ ‪∑𝑖∈𝐼(𝑢,𝑢′ )(𝑅(𝑢, 𝑖) −‬‬ ‫̅̅̅̅̅̅̅‬
‫𝑢(𝑅 ‪𝑅(𝑢)) (𝑅(𝑢′ , 𝑖) −‬‬ ‫)) ‪′‬‬
‫= ) 𝑢 ‪𝑠𝑖𝑚(𝑢,‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪Eq6‬‬
‫̅̅̅̅̅̅ ‪√∑𝑖∈𝐼(𝑢,𝑢′ )(𝑅(𝑢, 𝑖) −‬‬
‫̅̅̅̅̅̅̅ ‪𝑅(𝑢)) √∑𝑖∈𝐼(𝑢,𝑢′ )(𝑅(𝑢′ , 𝑖) −‬‬
‫)) ‪𝑅(𝑢′‬‬

‫مقياس التشابه ‪:Cosine-based‬‬ ‫•‬

‫𝑣𝑥 𝑢𝑥‬
‫= ) 𝑣𝑥 ‪cos(𝑥𝑢 ,‬‬
‫‖ 𝑣𝑥‖ ‖ 𝑢𝑥‖‬
‫‪Eq7‬‬

‫)𝑖 ‪∑𝑖∈Ι𝑢𝑣 𝑅(𝑢, 𝑖) 𝑅(𝑣,‬‬

‫= ) 𝑣𝑥 ‪𝐶𝑉(𝑢, 𝑣) = cos(𝑥𝑢 ,‬‬
‫‪Eq8‬‬
‫‪√∑𝑖∈Ι𝑢 𝑅(𝑢, 𝑖)2 ∑𝑗∈Ι𝑣 𝑅(𝑣, 𝑖)2‬‬

‫ال ميكن ألنظمة التوصية ذات التقييم متعدد املعايري أن توظف العالقات السابقة بشكل مباشر‪ ،‬وذلك ألن )𝑖 ‪ 𝑅(𝑢,‬حتوي‬
‫التقييم الكلي ‪ 𝑅0‬و 𝑘 تقييم إفرادي على عدة معايري 𝑘𝑅 ‪ ،𝑅1 , … ,‬أي أن ) 𝑘𝑅 ‪ ،𝑅(𝑢, 𝑖) = (𝑅0 , 𝑅1 , … ,‬لذلك يكون لدينا‬
‫‪ k+1‬تقييم لكل زوج )𝑖 ‪ (𝑢,‬بدالً من تقييم وحيد‪ .‬مت استخدام مقاربتني خمتلفتني حلساب التشابه ابستخدام ‪ 𝑘 + 1‬قيمة تقييم‬
‫يف حساب التشابه بني املستخدمني‪.‬‬

‫املقاربة األوىل‪ :‬جتميع التشاهبات اإلفرادية‬

‫مستخدمني‬
‫َ‬ ‫تقوم املقاربة األوىل بتجميع التشاهبات التقليدية القائمة على كل تقييم فردي‪ .‬حتسب هذه املقاربة أوالً التشابه بني‬
‫بشكل منفصل على كل معيار منفصل‪ ،‬وذلك ابستخدام أي تقنية حلساب التشابه التقليدي مثل التقنيات املعتمدة على الرتابط‬
‫املستخدمني عن طريق جتميع ‪ 𝑘 + 1‬قيمة تشابه إفرادية‪ .‬يطرح ‪Adomavicius‬‬
‫َ‬ ‫أو على الزوااي‪ .‬مث حنصل على التشابه النهائي بني‬
‫و‪ [8] Kwon‬مقاربتني للتجميع ومها وسطي التشاهبات أو احلالة األسوأ (التشابه األقل) كما هو مبني يف املعادالت ‪،10 ،9‬‬
‫‪ .11‬كمقاربة عامة‪ ،‬يطرح ‪ Tang‬و‪ [30] McCalla‬يف نظامهما لتوصية األوراق البحثية حساب التشابه على أساس جمموع‬
‫‪Peer‬‬ ‫مث ّقل من التشاهبات الفردية على معايري خمتلفة للورقة البحثية (التقييم الكلي‪ ،‬القيمة املضافة‪ ،‬درجة تقييمها من القرين‬
‫‪ ،Review‬وامليزات املطروحة للمتعلم مثل املعرفة السابقة واالهتمام هبا)‪ .‬يف هذه املقاربة‪ ،‬خنتار الوزن لكل معيار ‪ ،c‬ونعرب عنه‬
‫ب ـ ـ 𝑐𝑤‪ ،‬حبيث يعكس أمهية وفائدة هذا املعيار ضمن عملية التوصية‪.‬‬

‫‪31‬‬
 ‫التشابه الوسطي‪:‬‬ ‫•‬

‫𝑘‬
‫‪1‬‬
‫= )𝑣 ‪𝑠𝑖𝑚𝑎𝑣𝑔 (𝑢,‬‬ ‫)𝑣 ‪∑ 𝑠𝑖𝑚𝑐 (𝑢,‬‬ ‫‪Eq9‬‬
‫‪𝑘+1‬‬
‫‪𝑐=0‬‬
‫التشابه ذو احلالة األسوأ‪:‬‬ ‫•‬

‫)𝑣 ‪𝑠𝑖𝑚𝑎𝑣𝑔 (𝑢, 𝑣) = min 𝑠𝑖𝑚𝑐 (𝑢,‬‬ ‫‪Eq10‬‬

‫𝑘‪𝑐=0,…,‬‬

‫التشابه عرب الوسطي املثقل‪:‬‬ ‫•‬

‫𝑘‬

‫)𝑣 ‪𝑠𝑖𝑚𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑒 (𝑢, 𝑣) = ∑ 𝑤𝑐 𝑠𝑖𝑚𝑐 (𝑢,‬‬ ‫‪Eq11‬‬

‫‪𝑐=0‬‬
‫املقاربة الثانية‪ :‬استخدام قياسات مسافة متعددة األبعاد‬

‫تقوم املقاربة الثانية حبساب التشابه ابستخدام مقاييس مسافة متعددة األبعاد‪ ،‬مثل مقاييس ماّناتن ‪ Manhattan‬أو اإلقليدية‬
‫أي‬ ‫𝑖‬ ‫على املادة‬ ‫𝑣 ‪𝑢,‬‬ ‫]‪ .[8‬ميكن حساب املسافة بني مستخدمني‬ ‫‪Chebyshev‬‬ ‫‪ ،Euclidean‬أو تشيبيشيف‬
‫))𝑖 ‪ 𝑑(𝑅(𝑢, 𝑖), 𝑅(𝑣,‬ابستخدام أحد املعادالت التالية‪:‬‬

‫مسافة ماّناتن‪:‬‬ ‫•‬

‫𝒌‬
‫∑‬ ‫|)𝑖 ‪|𝑟𝑐 (𝑢, 𝑖) − 𝑟𝑐 (𝑣,‬‬ ‫‪Eq12‬‬
‫𝟎=𝒄‬
‫املسافة اإلقليدية‪:‬‬ ‫•‬

‫𝒌‬
‫∑√‬ ‫𝟐|)𝑖 ‪|𝑟𝑐 (𝑢, 𝑖) − 𝑟𝑐 (𝑣,‬‬ ‫‪Eq13‬‬
‫𝟎=𝒄‬

‫مسافة تشيبيشيف (أو املسافة العظمى)‪:‬‬ ‫•‬

‫|)𝑖 ‪𝐦𝐚𝐱 |𝑟𝑐 (𝑢, 𝑖) − 𝑟𝑐 (𝑣,‬‬ ‫‪Eq14‬‬

‫𝒌‪𝒄=𝟎,…,‬‬

‫مستخدمني ببساطة عن طريق وسطي املسافات لكل املواد اليت قيماها املستخدمان بشكل‬
‫َ‬ ‫ميكن حساب املسافة الكلية بني‬
‫مشرتك‪ ،‬وميكن كتابتها على الشكل‪:‬‬
‫‪1‬‬
‫= )𝑣 ‪𝑑𝑖𝑠𝑡(𝑢,‬‬ ‫∑‬ ‫))𝑖 ‪𝑑(𝑅(𝑢, 𝑖), 𝑅(𝑣,‬‬ ‫‪Eq15‬‬
‫)𝑣‪|𝐼(𝑢, 𝑣)| 𝑖∈𝐼(𝑢,‬‬
‫كلما كان املستخدمان أكثر تشاهباً (أي كلما كان التشابه أكرب بينهما)‪ ،‬كلما كانت املسافة أقل بينهما‪ .‬لذلك حنتاج التحويل‬
‫البسيط التايل بسبب العالقة العكسية بني املقياسني (املسافة والتشابه)‪:‬‬

‫‪32‬‬
 ‫‪1‬‬
‫= )𝑣 ‪𝑠𝑖𝑚(𝑢,‬‬ ‫‪Eq16‬‬
‫)𝑣 ‪1 + 𝑑𝑖𝑠𝑡(𝑢,‬‬
‫طرح ‪ Manouselis‬و‪ [29] Costopoulou‬ثالث خوارزميات خمتلفة حلساب التشاهبات بني املستخدمني يف إعدادات التقييمات‬
‫متعددة املعايري‪ :‬التشابه لكل أولوية والتشابه لكل تقييم والتشابه لكل منفعة جزئية‪.‬‬

‫للمستخدم ‪ u‬لكل معيار ‪ .c‬يف هذه‬ ‫)𝑢( 𝑐𝑤‬ ‫حتسب خوارزمية التشابه لكل أولوية التشابه بني املستخدمني بناءً على أوزان‬
‫الطريقة‪ ،‬تُنشئ اخلوارزمية جوار املستخدمني الذين ميلكون أولوايت (أوزان) متشاهبة للمعايري املختلفة مع املستخدم اهلدف‪ .‬مث‬
‫تقوم بتوقع الفائدة الكلية ملادة معينة بناءً على تقييمات املستخدمني يف اجلوار‪.‬‬

‫تنشئ اخلوارزميتان اآلخراتن جواراً منفصالً للمستخدم اهلدف لكل معيار‪ ،‬أي تقوم حبساب التشابه مع املستخدمني اآلخرين‬
‫على كل معيار‪ ،‬ومن مث تتوقع التقييم اليت ميكن أن يعطيه املستخدم على كل معيار‪ .‬حتسب خوارزمية التشابه لكل تقييم التشابه‬
‫بناءً على التقييم غري املث ّقل اليت يعطيه املستخدم لكل معيار‪ ،‬بينما حتسب خوارزمية التشابه لكل منفعة جزئية التشابه بناءً على‬
‫التقييم املث ّقل (ابستخدام )𝑢( 𝑐𝑤 لكل مستخدم ‪ )u‬اليت أعطاها املستخدم لكل معيار‪.‬‬

‫يف مثل هذه األنظمة‪ ،‬حنصل على التشاهبات بني املستخدمني ابستخدام التقييمات متعددة املعايري‪ ،‬وتبقى إجرائية التوصية كما‬
‫هي يف أنظمة التوصية وحيدة املعيار التقليدية‪.‬‬

‫تكون اخلطوة التالية من أجل مستخدم معني أن نقوم إبجياد جمموعة اجلوار الذين ميلكون قيم التشابه األعلى وتوقع التقييمات‬
‫الكلية غري املعروفة للمستخدم بناءً على تقييمات اجلوار‪ .‬لذلك‪ ،‬تكون هذه املقارابت املعتمدة على التشابه قابلة للتطبيق يف‬
‫تقنيات التوصية املعتمدة على الرتشيح التعاوين بناءً على اجلوار اليت حتتاج حلساب التشابه بني املستخدمني (أو املواد)‪.‬‬

‫مستخدمني ابستخدام أحد الطريقتني ]‪)1( :[8‬‬

‫َ‬ ‫يف اخلالصة‪ ،‬ميكن استخدام التقييمات متعددة املعايري حلساب التشابه بني‬
‫جتميع قيم التشابه اليت يتم حساهبا بشكل منفصل على كل معيار ضمن قيمة تشابه واحدة و (‪ )2‬حساب املسافة بني‬
‫التقييمات متعددة املعايري بشكل مباشر ضمن الفضاء متعدد األبعاد‪.‬‬

‫أظهرت النتائج التجريبية ابستخدام عينة صغرية من ‪ Yahoo! Movies‬أن كال الطريقتني املعتمدتني يف التقييمات متعددة املعايري‬
‫تعطي نتائج أفضل من قرينتها يف النظم وحيدة املعيار التقليدية مبقدار ‪ %3.8‬ابستخدام مقياس الدقة ‪ ،precision‬الذي ميثل‬
‫نسبة التقييمات الكلية احلقيقية على تلك اليت توقعها النظام لتكون أعلى ‪ N‬مادة قريبة من كل مستخدم ]‪ .[8‬يعتمد التحسني‬
‫مادة مقرتحة‬ ‫‪N‬‬ ‫يف أعلى‬ ‫‪N‬‬ ‫يف الدقة على عدة معامالت تدخل يف تقنيات الرتشيح التعاوين مثل أحجام اجلوار وقيمة‬
‫للمستخدم‪ .‬عالوة على ذلك‪ ،‬ميكن توسعة هذه املقارابت كما اقرتح ‪ Manouselis‬و ‪ [29] Costopoulou‬وذلك عن طريق‬
‫حساب التشاهبات بتوسعة استخدام التقييمات املعروفة إىل استخدام أوزان األمهية لكل معيار‪ .‬مت تقييم املقارابت األخرية يف‬

‫‪33‬‬
‫تطبيق عرب اإلنرتنت يقوم بتوصية األسواق اإللكرتونية للمستخدمني‪ ،‬حيث يدخل الباعة واملشرتين إىل هذا التطبيق لتبادل‬
‫املعلومات عن األسعار والعروض‪ ،‬بناءً على التقييمات متعددة املعايري على األسواق اإللكرتونية‪ .‬أعطت خوارزمية التشابه عرب‬
‫األولوية ابستخدام املسافة اإلقليدية نتائج أفضل عرب مقارابهتم املقرتحة من انحية اخلطأ الوسطي ابلقيمة املطلقة ‪0.235( MAE‬‬
‫على سلم ‪ )7-1‬مع تغطية عالية نسبياً (‪ %93‬من املواد اليت ميكن أن يتم اقرتاحها)‪ ،‬ابملقارنة مع اخلوارزميات غري املخصصة‪،‬‬
‫مثل االعتماد على الوسطي احلسايب اليت أعطت نتائج خبطأ ‪ MAE‬أعلى (‪ )0.718‬مع تغطية بقيمة ‪.[29] %100‬‬

‫درس ‪ [31] Maneeroj et al‬بشكل معمق مسألة إجياد اجلوارات األكثر مناسبةً يف إعدادات التوصية متعددة املعايري‪ .‬ابلتحديد‪،‬‬
‫اعتماداً على مالحظة أن املعايري املختلفة قد يكون هلا أوزان خمتلفة للمستخدمني املختلفني‪ ،‬اقرتحوا مقاربةً تدمج مستوايت‬
‫األمهية اإلفرادية لكل معيار ضمن إجراء حساب التشابه بني مستخدم وآخر‪ .‬ميكن هلذه املقاربة أن تعطي جوارات خمتارة‬
‫بشكل أفضل وابلتايل تعطي نتائج توصية أفضل‪.‬‬

‫كما ذكران سابقاً‪ ،‬عند حساب التشابه بني املستخدمني أو املواد‪ ،‬تقوم خوارزمية الرتشيح التعاوين املعتمدة على اجلوار التقليدية‬
‫بتقدير التقييم الذي ميكن أن يعطيه املستخدم ‪ u‬أن يعطيه للمادة ‪ i‬عن طريق حساب الوسطي املث ّقل لكل التقييمات املعروفة‬
‫)𝑖 ‪ ،𝑅(𝑣,‬حيث 𝑣 مشابه للمستخدم 𝑢‪ .‬ميكن سرد طريقتني شهريتني حلساب الوسطي املث ّقل كالتايل‪:‬‬

‫مقاربة اجلمع املث ّقل ‪:Weighted Sum‬‬ ‫•‬

‫)𝑖 ‪∑𝑢́ ∈𝑁(𝑢,𝑖) 𝑠𝑖𝑚(𝑢, 𝑢́ )𝑅(𝑢́ ,‬‬

‫= )𝑖 ‪𝑅(𝑢,‬‬ ‫‪Eq17‬‬
‫| ́𝑢 ‪∑𝑢́ ∈𝑁(𝑢,𝑖)|𝑠𝑖𝑚(𝑢,‬‬
‫مقاربة اجلمع املث ّقل املضبوط ‪:Adjusted Weighted Sum‬‬ ‫•‬

‫̅̅̅̅̅̅ ‪∑𝑢́ ∈𝑁(𝑢,𝑖) 𝑠𝑖𝑚(𝑢, 𝑢́ )(𝑅(𝑢́ , 𝑖) −‬‬

‫)) ́𝑢(𝑅‬
‫̅̅̅̅̅̅ = )𝑖 ‪𝑅(𝑢,‬‬
‫‪𝑅(𝑢) +‬‬ ‫‪Eq18‬‬
‫| ́𝑢 ‪∑𝑢́ ∈𝑁(𝑢,𝑖)|𝑠𝑖𝑚(𝑢,‬‬

‫مع املستخدم 𝑢‪ ،‬حيث يكون كلما كان املستخدمان‬ ‫𝑣‬ ‫إن قيمة التقييم )𝑖 ‪ 𝑅(𝑣,‬تكون مث ّقلة عرب التشابه بني املستخدم‬
‫جمموعة املستخدمني املشاهبني‬ ‫)𝑖 ‪𝑁(𝑢,‬‬ ‫)𝑖 ‪ .𝑅(𝑢,‬متثل‬ ‫متشاهبان أكثر‪ ،‬كلما كان وزن )𝑖 ‪ 𝑅(𝑣,‬داخالً يف حساب التقييم‬
‫للمستخدم 𝑢 عرب هؤالء الذين استخدموا املادة 𝑖‪ ،‬وميكن أن يرتاوح حجم اجملموعة )𝑖 ‪ 𝑁(𝑢,‬من ‪ 1‬إىل مجيع املستخدمني يف‬
‫كل جمموعة الدراسة‪ .‬حتديد حجم اجلوار بعدد حمدد (مثالً ‪ )3‬سيحدد عدد املستخدمني املشاهبني الذي سيتم استخدامهم يف‬
‫عملية حساب التقييم )𝑖 ‪.𝑅(𝑢,‬‬

‫‪34‬‬
‫يف املقاربة املعتمدة على التشابه املشروحة أعاله متثل مقاربة معتمدة على املستخدمني تستخدم جوار املستخدمني حلساب‬
‫التوصيات‪ .‬كما ميكن حتويل املقاربة املعتمدة على املستخدمني ابستخدام معيار وحيد بشكل مباشر إىل مقاربة تعتمد على‬
‫املواد تستخدم جوار املواد حلساب التوصيات ]‪ ،[32‬ميكن إعادة كتابة املعادالت املستخدمة يف املقاربة املعتمدة على املستخدمني‬
‫إىل مقاربة تعتمد على املواد بشكل مباشر‪.‬‬

‫عالوًة على ذلك‪ ،‬إن وجوب حتديد تقييمات رقمية دقيقة للمعايري املختلفة لكل مادة قد يشكل عبء متزايد على املستخدم‪.‬‬
‫لذلك‪ ،‬ميكن أن يكون من املفيد أن أنخذ بعني االعتبار الطبيعة الشخصية وغري الدقيقة والغامضة للتقييمات اإلنسانية عند‬
‫جتميع املعلومات‪ .‬طرحت العديد من الدراسات استخدام مقارابت املعتمدة على اللغة بشكل عائم ‪ Fuzzy Linguistics‬لتمثيل‬
‫]‪[33‬‬ ‫وجتميع تقييمات املستخدم وتوظيف تقنيات صنع القرار متعددة املعايري العائمة يف ترتيب وتصنيف املواد لكل مستخدم‬
‫]‪ .[34‬ابلتحديد أكثر‪ ،‬ميكن أن يتم جتميع آراء املستخدم ضمن شكل كيفي (أي ضمن تعابري لغوية)‪ .‬على سبيل املثال‪ ،‬يف‬
‫]‪ ،[33‬يقيم كل مستخدم ستة معايري للفندق (النظافة‪ ،‬الراحة‪ ،‬املوقع‪ ،‬التسهيالت‪ ،‬فريق العمل‪،‬‬ ‫‪Boulkrinat et al.‬‬ ‫عمل‬
‫ويعرب عن تفضيالت املستخدم ابستخدام تعابري لغوية ضمن سلم من ‪ 1‬إىل ‪( 7‬جيد جداً‪ ،‬جيد‪ ،‬جيد‬
‫القيمة مقابل السعر)‪َّ ،‬‬
‫بشكل وسطي‪ ،‬وسطي‪ ،‬سيء بشكل وسطي‪ ،‬سيء‪ ،‬سيء جداً)‪ .‬مث تُنم َذج قيمة التفضيل لكل معيار ليس ابستخدام قيمة‬
‫عددية وحيدة وإمنا ابستخدام "قيمة عائمة" (مبجال من القيم بشكل أساسي)‪ .‬ميكن أن حنصل على وزن (تثقيل) كل معيار‬
‫من قبل املستخدم نفسه‪ ،‬حبيث يتم متثيل تفضيالت املستخدم الشخصية على املعايري الستة‪.‬‬

‫مت تقدمي خوارزميات قائمة على املنطق العائم ألنظمة الرتشيح التعاوين متعددة املعايري يف العمل املق ّدم من ‪،[35] Nilashi et al‬‬
‫‪Fuzzy Euclidean MC-‬‬ ‫مبا فيها االعتماد على املنطق العائم املث ّقل ‪ Weighted Fuzzy MC-CF‬واملسافة اإلقليدية العائمة‬
‫‪Fuzzy Average‬‬ ‫اليت تستخدم مقياس تشابه وسطي عائم ومقياس مسافة إقليدي عائم على التوايل‪ ،‬والوسطي العائم‬ ‫‪CF‬‬

‫]‪ [34‬مقاربة جتميعية‬ ‫‪ Palanivel‬و‪Sivakumar‬‬ ‫‪ MC-CF‬اليت تستخدم توقعات عائمة قائمة على املستخدم بشكل مث ّقل‪ .‬قدم‬
‫عائمة تقوم إبجياد معيار تفضيلي ابستخدام معامل أعظمي‪ ،‬وبشكل حمدد من مؤشرات اهتمام ضمنية مثل الوقت الذي صرفه‬
‫املستخدم يف االستماع إىل أغنية معينة‪ ،‬أو عدد مرات الولوج إىل أغنية معينة‪ ،‬وحتميل األغنية‪ .‬إن استخدام هذه املؤشرات‬
‫الضمنية ميكن أن خيفف عناء املستخدم للمحافظة على تزويد التقييمات لكل مادة مستهلكة‪.‬‬

‫‪35‬‬
 ‫‪ 2.2.4‬املقارابت املعتمدة على النموذج ‪Model-based Approaches‬‬
‫تقوم املقارابت املعتمدة على النموذج ببناء منوذج توقّعي لتقدير التقييمات غري املعروفة عن طريق التعلم من املعطيات املعروفة‪.‬‬
‫تقع العديد من مقارابت أنظمة التوصية متعددة املعايري يف هذا التصنيف‪ ،‬مثل التوابع التجميعية البسيطة والنماذج االحتمالية‬
‫وطريقة حتليل القيمة الوحيدة ‪ MSVD‬وتوابع التجميع املعقدة ‪.SVR‬‬

‫‪Aggregation Functions Approach‬‬ ‫مقاربة التوابع التجميعية‬

‫بينما يتم اعتبار التقييم الكلي ‪ 𝑟0‬كمعيار آخر ضمن قائمة املعايري يف املقارابت التجريبية البسيطة (كما وضحنا سابقاَ)‪ ،‬نعترب‬
‫هذا التقييم على أنه حصيلة جتميع التقييمات متعددة املعايري ]‪ .[8‬أبخذ هذا االفرتاض بعني االعتبار‪ ،‬تقوم هذه املقاربة إبجياد‬
‫اتبع جتميعي 𝑓 ميثل العالقة بني التقييم الكلي والتقييمات اإلفرادية‪:‬‬
‫) 𝑘𝑟 ‪𝑟0 = 𝑓(𝑟1 , … ,‬‬

‫على سبيل املثال‪ ،‬يف نظام توصية أفالم‪ ،‬ميكن ملعيار القصة أن يكون ذو أمهية كبرية‪ ،‬أي أن األفالم ذات التقييم العايل للقصة‬
‫سيكون هلا تقييم كلي عايل بغض النظر عن التقييمات األخرى‪.‬‬

‫تتكون مقاربة التابع التجميعي من ثالث خطوات‪ ،‬كما هو موضح يف الشكل ‪ .3‬يف البداية‪ ،‬يتم توقع ‪ k‬تقييم إفرادي ابستخدام‬
‫أي خوارزمية توصية (مثل الرتشيح التعاوين مثالً)‪ .‬مما يؤدي إىل تقسيم املسألة إىل ‪ k‬مسألة توقع تقييم فردي‪ .‬اثنياً‪ ،‬يتم اختيار‬
‫اتبع التجميع ‪ f‬بناءً على اخلربة يف اجملال أو التقنيات اإلحصائية‪ ،‬أو تقنيات تعلم اآللة‪ .‬على سبيل املثال‪ ،‬ميكن للخربة يف‬
‫اجملال أن تقرتح اتبع وسطي بسيط للتقييمات اإلفرادية بناءً على املعرفة واخلربة السابقة يف جمال الدراسة‪ .‬ميكن أيضاً احلصول‬
‫على اتبع التجميع ابستخدام التقنيات اإلحصائية مثل تقنيات االحندار اخلطي أو الالخطي‪ ،‬وميكن أيضاً استخدام تقنيات‬
‫تعلم اآللة مثل الشبكات العصبونية‪ .‬يف النهاية‪ ،‬يتم حساب التقييم الكلي لكل مادة غري معروفة التقييم بناءً على التقييمات‬
‫الفردية املتوقعة والتابع ‪ f‬املختار‪.‬‬

‫بينما يتم تطبيق التقنيات التجريبية املعتمدة على التشابه على مقارابت التوصية املعتمدة على الرتشيح التعاوين املعتمد على‬
‫اجلوار فقط‪ ،‬تتمكن مقاربة التابع التجميعي من استخدام أي خوارزمية توصية تقليدية‪ ،‬وذلك بسبب استخدام هذه اخلوارزميات‬
‫يف اخلطوة األوىل فقط أثناء توقع التقييمات الفردية‪ .‬كمثال على قابلية ذلك‪ ،‬استخدم ]‪ [8‬االحندار اخلطي واألوزان املتوقعة‬
‫(أوزان األمهية لكل معيار) بناءً على التقييمات املعروفة‪.‬‬

‫‪36‬‬
‫الحظ ]‪ [8‬أيضاً أن اتبع التجميع ميكن أن يكون له جماالت خمتلفة مثل‪ :‬اجلميع (عندما يتم تعلم اتبع التجميع بناءً على‬
‫جمموعة البياانت كاملةً)‪ ،‬أو معتمدة على املستخدم أو معتمدة على املادة (عندما يتم تعلم اتبع جتميع خاص بكل مستخدم‬
‫أو مادة)‪.‬‬

‫أظهرت النتائج التجريبية من نظام ‪ Yahoo! Movies‬أن استخدام اتبع جتميعي يفوق يف األداء استخدام تقنية الرتشيح التعاوين‬
‫ذات التقييم الوحيد (التقييم الكلي) بنسبة ‪ 0.3-6.3%‬ابلنسبة للدقة ألعلى ‪ N‬مادة (‪.[8] )N=3, 5, 7‬‬

‫الشكل ‪ 3‬مقاربة التابع التجميعي (مثال على ‪ 3‬معايري إفرادية)‬

‫تعتمد بعض مقارابت التوصية متعددة املعايري على خوارزميات منذجة تعتمد على االحتماالت اليت تزداد شهرهتا يف علوم‬
‫التنقيب يف املعطيات وتعلم اآللة‪ .‬مثال على هذه املقارابت ما طرحوه ‪ Sahoo et al.‬يف ورقتهم البحثية ]‪ [36‬الذي طوروا فيها‬
‫منوذج املزيج املرن ‪ Flexible Mixture Model FMM‬املطروح من قبل ‪ Si‬و‪ [37] Jin‬ألنظمة التوصية متعددة املعايري‪.‬‬

‫‪37‬‬
‫‪Engaging Multi-Criteria Ratings During‬‬ ‫‪ 3.4‬تضمني التقييم متعدد املعايري أثناء التوصية‬
‫‪Recommendation‬‬
‫كما ذكران سابقاً‪ ،‬ميكن يف أنظمة التوصية متعددة املعايري أن تنمذج منفعة املستخدم جتاه مادة معينة عن طريق تضمني كل‬
‫من التقييم الكلي والتقييمات الفردية على املعايري الفردية املختلفة‪ ،‬أو أن تقوم بتضمني التقييمات الفردية فقط‪.‬‬

‫يف حال تضمني التقييمات الكلية كجزء من النموذج‪ ،‬تكون عملية التوصية يف هذه احلاالت مباشرة‪ :‬بعد توقع كل التقييمات‬
‫غري املعروفة‪ ،‬يستخدم نظام التوصية التقييم الكلي للمواد الختيار املواد األعلى تقييماً لكل مستخدم‪ .‬أي أن عملية التوصية‬
‫هي مشاهبة للعملية التقليدية اليت تعتمد على املعيار الوحيد‪.‬‬

‫يف حال عدم تضمني التقييم الكلي‪ ،‬تصبح عملية التوصية أكثر تعقيداً‪ ،‬وذلك بسبب عدم وضوح بناء ترتيب املواد بشكل‬
‫سهل‪ .‬مت توضيح املشكلة القائمة يف هذه األنظمة يف الشكل ‪ .2‬مت طرح العديد من املقارابت يف أدبيات أنظمة التوصية الرقمية‬
‫متعددة املعايري للتعامل مع هذه املشكلة‪ :‬حاول البعض تصميم ترتيب كلي للمواد واحلصول على حل أمثلي عام وحيد لكل‬
‫مستخدم‪ ،‬بينما حاول آخرون أخذ أحد الرتتيبات اجلزئية للمواد وإجياد عدة حلول (أمثلية من منط ‪ .)Pareto‬نسرد يف الفقرات‬
‫التالية األعمال املنجزة واملتعلقة أبمثَلة تعدد املعايري‪ ،‬وتوصيف العديد من املقارابت اليت مت استخدامها يف أنظمة التوصية ونناقش‬
‫االستخدامات املمكنة للتقييمات متعددة املعايري يف عملية التوصية‪.‬‬

‫‪Multi-Criteria Optimization‬‬ ‫‪ 4.4‬أمثَلة تعدد املعايري‬

‫جرى دراسة مسائل األمثّلة متعددة املعايري بشكل كبري يف حبوث العمليات ]‪ ،[38‬على الرغم من أّنا ليست يف سياق أنظمة‬
‫التوصية‪ .‬تساعد األمثَلة متعددة املعايري متخذ القرار على اختيار البديل األفضل عند حدوث تضارب (متعدد املعايري) بني‬
‫البدائل‪ .‬مت استخدام املقارابت التالية غالباً للتوجه إىل دراسة مشاكل األمثَلة متعددة املعايري‪ ،‬واليت ميكن تطبيقها يف أنظمة‬
‫التوصية‪ ،‬كما مت النقاش يف ]‪:[6‬‬

‫إجياد احللول األمثلية من منط ‪.Pareto‬‬ ‫•‬

‫تشكيل تركيبة خطية من املعايري املتعددة وإنقاص املسألة إىل مسألة أمثَلة وحيدة املعيار‪.‬‬ ‫•‬

‫أمثَلة معيار وحيد (األكثر أمهية) واعتبار املعايري الباقية على أّنا قيود‪.‬‬ ‫•‬

‫أمثَلة معيار وحيد يف املرة الواحدة تباعاً‪ ،‬حبيث يتم حتويل احلل األمثَلي إىل قيود وإعادة اإلجرائية لكل املعايري األخرى‪.‬‬ ‫•‬

‫يف أنظمة التوصية متعددة املعايري‪ ،‬ميكن للمادة أن يتم تقييمها بشكل خمتلف على املعايري املختلفة‪ ،‬لذلك فإن عملية إجياد‬
‫أفضل مادة بشكل عام هي عملية ليست سهلة‪ .‬نصف الحقاً عدة مقارابت توصية من اليت مت استخدامها يف أنظمة التوصية‪،‬‬

‫‪38‬‬
‫حيث متلك مجيعها جذوراً يف تقنيات األمثّلة متعددة املعايري‪ ،‬مثل‪ :‬حتويل مسألة األمثلة متعددة املعايري إىل مسألة ترتيب وحيدة‬
‫املعيار‪ ،‬وإجياد احللول األمثلية من منط ‪ Pareto‬وأخرياً‪ ،‬استخدام املعايري املتعددة كقيود‪.‬‬

‫‪ 1.4.4‬تصميم ترتيب كلي لتوصية املواد‬

‫هنالك بعض األعمال يف جمال أنظمة التوصية الرقمية اليت استخدمت نظرايت املنفعة متعددة املعايري يف علوم دعم القرار‪ ،‬واليت‬
‫ميكن وصفها على أّنا طريقة لتشكيل تركيبة خطية من املعايري وإجياد احلل األمثّل ]‪ ،[39‬لنصل يف النهاية إىل ختفيض مسألة‬
‫األمثَلة متعددة املعايري إىل مسألة ترتيب وحيدة املعيار بسيطة‪ .‬على سبيل املثال‪ ،‬تقوم املقاربة املقدمة يف ]‪ [39‬على ترتيب املواد‬
‫ابالعتماد على طريقة املنفعة التجميعية )‪ UTilités Additive (UTA‬املقدمة من ‪ .[40] Siskos et al.‬هتدف خوارزميتهم إىل‬
‫لكل معيار‬ ‫‪marginal utilities‬‬ ‫ملادة معينة لكل مستخدم عن طريق إضافة املنافع اهلامشية‬ ‫𝑈‬ ‫تقدير الفائدة الكلية‬
‫𝑐 )𝑘 ‪.(𝑐 = 1, … ,‬‬
‫𝑘‬
‫∑=𝑈‬ ‫) 𝑐𝑅( 𝑐𝑢‬ ‫‪Eq19‬‬
‫‪𝑐=1‬‬
‫واليت تتبع للقيود التالية‪:‬‬

‫𝑘 ‪𝑢𝑐 (𝑅𝑐𝑤𝑜𝑟𝑠𝑡 ) = 0 , ∀ 𝑐 = 1,2, … ,‬‬ ‫‪Eq20‬‬

‫𝑘‬
‫∑‬ ‫‪𝑢𝑐 (𝑅𝑐𝑏𝑒𝑠𝑡 ) = 𝑢1 (𝑅1𝑏𝑒𝑠𝑡 ) + 𝑢2 (𝑅2𝑏𝑒𝑠𝑡 ) + ⋯ + 𝑢𝑘 (𝑅𝑘𝑏𝑒𝑠𝑡 ) = 1‬‬ ‫‪Eq21‬‬
‫‪𝑐=1‬‬
‫حيث أن 𝑐𝑅 هو التقييم على املعيار 𝑐‪ ،‬و) 𝑐𝑅( 𝑐𝑢 هو اتبع حقيقي غري متناقص (اتبع املنفعة اهلامشية) ملستخدم معني‪ .‬ابعتبار‬
‫و 𝑡𝑠𝑟𝑜𝑤𝑖𝑅 مها احلدان األسوأ واألفضل للمعيار رقم 𝑖 على الرتتيب‪.‬‬ ‫أن اجملال ] 𝑡𝑠𝑒𝑏 𝑅 ‪ [𝑅 𝑤𝑜𝑟𝑠𝑡 ,‬هو جمال تقييم املعيار‪ ،‬وأن 𝑡𝑠𝑒𝑏𝑖𝑅‬

‫≻ ‪ .𝑖1‬نعترب‬ ‫𝑚𝑖 ≻ ⋯ ≻ ‪𝑖2‬‬ ‫نقوم بسؤال صانع القرار لتزويدان بتقييمه العام وذلك لتشكيل ترتيب كامل من البدائل (املواد)‪:‬‬
‫املطور على أنه متوافق مع طريقة حماكمة صانع القرار ليكون ) 𝑚𝑖(𝑈 > ⋯ > ) ‪ .U(𝑖1 ) > 𝑈(𝑖2‬عند تطوير‬
‫منوذج املنفعة َّ‬
‫منوذج املنفعة العام ليتوافق مع هذه املتطلبات‪ ،‬ميكن حصول نوعني من األخطاء احملتملة ومها‪ )1( :‬خطأ التقدير أبقل من‬
‫القيمة (اإلخباس ‪ )Under Estimation‬عندما يقوم النموذج املطور إبسناد البديل إىل ترتيب أقل (أفضل) من البديل املسنَد يف‬
‫الرتتيب الكلي (أي أن البديل قد مت تقديره أبقل من قيمته الواقعية من قبل صانع القرار)‪ ،‬و (‪ )2‬خطأ التقدير أبكرب من القيمة‬
‫(املغاالة يف التقدير ‪ )Over Estimation‬عندما يقوم النموذج إبسناد البديل إىل ترتيب أعلى (أسوأ) من البديل املسند يف‬
‫الرتتيب الكلي (أي أن البديل قد مت تقديره أبكثر من قيمته من قبل صانع القرار)‪ .‬يتم اختيار النموذج النهائي عن طريق تصغري‬
‫جمموع هذين اخلطأين‪ .‬ميكن احلصول على هذا النموذج عن طريق تقنيات الربجمة اخلطية مع وجود التقييمات املتوقعة على‬
‫املعايري املتعددة‪.‬‬

‫‪39‬‬
‫مبا أن هذه املقاربة تستخدم معلومات الرتتيب مع تقنيات االحندار العادي ‪ ،Ordinal Regression‬يتم استخدام مقياس‬
‫‪ [41] Kendall's Tau‬كمقياس ترابط بني متحولني ترتيبيني ملقارنة الرتتيب الواقعي مع الرتتيب املتوقع‪.‬‬

‫يطرح ]‪ [29‬طريقة تقوم حبساب املنفعة الكلية 𝑈 إما عن طريق مجع 𝑘 منفعة جزئية متوقعة 𝑘𝑢 (من خالل خوارزميتهم "التشابه‬
‫عري املنفعة اجلزئية")‪ ،‬أو عن طريق تثقيل التقييمات املتوقعة (يف خوارزميتهم "التشابه عري التقييم")‪ .‬يف كال احلالتني‪ُ ،‬حتسب‬
‫املنفعة الكلية ملادة معينة عن طريق اتبع جتميعي على الشكل‪:‬‬
‫𝑘‬ ‫𝑘‬
‫∑=𝑈‬ ‫∑ = 𝑐𝑢‬ ‫𝑐𝑅 𝑐𝑤‬ ‫‪Eq22‬‬
‫‪𝑐=1‬‬ ‫‪𝑐=1‬‬
‫نستخدم هنا التقييمات الفردية على املعايري املتعددة لرتتيب املواد املرشحة‪ ،‬بدالً من توقع التقييمات الكلية بشكل صريح‪.‬‬
‫أخرياً‪ ،‬بعد احلصول على الرتتيب الكلي للمواد املرشحة ابستخدام أي من التقنيات أعاله‪ ،‬يتم توصية املواد لكل مستخدم اليت‬
‫توصل املنفعة الكلية إىل أقصى حد‪.‬‬

‫يستخدم ]‪ [42‬تقييمات كل مستخدم أيضاً لرتتيب املواد كقائمة اقرتاحات‪ .‬للقيام هبذا‪ ،‬نقوم إبسناد قيم مثالية لكل مستخدم‬
‫على كل معيار مبعدل (وسطي) تقييماته السابقة‪ ،‬ونقوم بتوقع تقييم مادة جديدة ملستخدم معني عن طريق حساب املسافة بني‬
‫القيم املثالية لكل املستخدمني مع القيم املثالية للمستخدم اهلدف‪ .‬مث عندما يشاهد مستخدم مادةً معينة‪ ،‬ميكن اقرتاح أقرب‬
‫مادة بناءً على التشاهبات بني املواد للمستخدم‪.‬‬

‫‪ 2.4.4‬إجياد التوصيات األمثلية من منط ‪Pareto‬‬

‫تكتشف هذه املقاربة عدة مواد مناسبة من بني عدد كبري من املواد املرشحة (بدل الوصول إىل حل وحيد عن طريق حل مشكلة‬
‫األمثَلة العامة) وذلك عند ربط مواد خمتلفة مع عدة معايري متناقضة والرتتيب الكلي على املواد غري موجود بشكل مباشر‪.‬‬
‫تُستخدم طريقة حتليل حمفظة البياانت )‪ ،Data Envelopment Analysis (DEA‬أو ما يدعى عادة بتحليل اجلبهة ‪Frontier‬‬

‫‪ ،Analysis‬لقياس فعالية أداء وحدات صنع القرار )‪ Decision Making Units (DMU‬يف حبوث العمليات ]‪ .[43‬حتسب‬
‫طريقة حتليل حمفظة البياانت جبهة األداء ‪ ،Efficiency Frontier‬اليت تعرف املواد "األفضل أداءً" بشكل عام‪ ،‬أبخذ كل املعايري‬
‫بعني االعتبار‪ .‬ال تتطلب هذه الطريقة أمثال للمعايري مقدماً‪ ،‬وتستخدم الربجمة اخلطية للوصول إىل اجملموعة األفضل من األمثال‬
‫لكل وحدة صنع قرار ‪ .DMU‬بشكل خاص‪ ،‬يف سياق أنظمة التوصية متعددة املعايري‪ ،‬بوجود املواد املرشحة اليت تكون موجودة‬
‫للتوصية ملستخدم معني (مبا فيها معلومات عن تقييماهتا املتوقعة لكل املعايري)‪ ،‬تكون طريقة ‪ DEA‬قادرة على حتديد اجملموعة‬
‫املختصرة للمواد (أي الواقعة على احلدود ‪ )The Frontier‬اليت متلك أفضل التقييمات على كل املعايري ضمن مجيع املواد‬
‫املرشحة‪ .‬ميكن توصية هذه املواد إىل املستخدم بعدها‪.‬‬

‫‪40‬‬
‫بينما مل يتم استخدام طريقة ‪ DEA‬بشكل مباشر يف أنظمة التوصية متعددة املعايري‪ ،‬ميكن أن يتم متثيل مسألة التوصية متعددة‬
‫املعايري بدون التقييمات الكلية أيضاً على أّنا مسألة استعالم عن بياانت يف جمال قواعد البياانت ابستخدام نفس الطريقة ]‪.[44‬‬
‫يستخدم ‪ [44] Lee & Teng‬استعالمات ‪ skyline‬إلجياد أفضل املطاعم عرب عدة معايري (الطعام والديكور واخلدمة والكلفة)‪.‬‬
‫كما يظهر الشكل ‪ ،4‬تقوم استعالمات خط احمليط (أو النقاط املسيطرة) ‪ skyline‬بعض النقاط احمليطية (النقاط األمثلية من‬
‫منط ‪ )Pareto‬اليت ال يطغى عليها أي نقطة أخرى من عدد كبري من املطاعم املرشحة ضمن فضاء ثنائي األبعاد (الطعام‬
‫والديكور)‪ .‬نعترب هنا‪ ،‬ملستخدم معني‪ ،‬أن النقطة مسيطر عليها‪ ،‬إذا ُوجد مادة مرشحة أخرى حبيث يكون هلا تقييم أفضل أو‬
‫مسا ٍو هلذه النقطة يف كل املعايري‪.‬‬

‫الشكل ‪ 4‬مثال على النقاط املسيطرة (املطاعم األفضل) يف فضاء ثنائي األبعاد‬

‫تظهر النتائج التجريبية ابستخدام التقييمات متعددة املعايري يف استبيان املطاعم يف نظام ‪ Zagat4‬أن نظام التوصية ابستخدام‬
‫النقاط املسيطرة ‪ skyline‬تساعد على تقليل عدد اخليارات اليت ميكن للمستخدم أن أيخذها بعني االعتبار يف استعالماته‪ .‬على‬

‫‪/https://www.zagat.com 4‬‬
‫‪41‬‬
‫سبيل املثال‪ ،‬عند استعالم املستخدم عن املطاعم اليت تقدم بوفيه مفتوح واليت تقع يف مدينة نيويورك مع كلفة ال تتعدى ‪30‬‬
‫مطعمني فقط من أصل ‪ 12‬مطعماً مرشحاً‪ ،‬وذلك بناءً على التقييمات على أربعة معايري‪.‬‬
‫دوالراً‪ ،‬يقرتح النظام َ‬
‫على كل حال‪ ،‬جيب توسعة هذا العمل األويل يف عدة مناحي وذلك ألن استعالمات النقاط املسيطرة (أو خط احمليط ‪)Skyline‬‬
‫ميكن أال تتوسع بشكل جيد مع ارتفاع عدد املعايري‪ ،‬مما يؤدي إىل عدد كبري من النقاط املسيطرة مع جهد وكلفة حسابية عالية‪.‬‬

‫‪ 3.4.4‬استخدام التقييم متعدد املعايري كمعامالت تصفية لالقرتاحات‬

‫بشكل مشابه لكيفية استعمال مواصفات احملتوى كمرشحات للتوصية يف أنظمة التوصية ]‪ ،[46] [45‬ميكن استخدام التقييمات‬
‫متعددة املعايري لنفس األهداف أيضاً‪ .‬على سبيل املثال‪ ،‬ميكن للمستخدم أن حيدد األفالم ذات القصة املمتازة جيب أن يتم‬
‫توصيتها له يف وقت معني‪ ،‬بغض النظر عن املعايري األخرى‪ ،‬مثل املؤثرات البصرية‪ ،‬ومن مث‪ ،‬يتم توصية األفالم ذات التقييم‬
‫العايل املتوقع على معيار القصة (لنقل أكرب من ‪ 9‬من ‪.)10‬‬

‫ميكن أن نصف هذه الطريقة بكلمات أخرى‪ ،‬ميكن أن ننقص أبعاد مسألة األمثلة متعددة األبعاد عن طريق حتويل املعايري إىل‬
‫قيود (مرشحات ‪ .)Filters‬ميكن اعتبار هذه املقاربة على أّنا مشاهبة ملقاربة االعتماد على احملتوى ‪ [47] Content-Based‬أو‬
‫املدركة للسياق ‪ .[46] [45] Context-aware‬على كل حال‪ ،‬فهي خمتلفة بعض الشيء عنهم‪ ،‬ألن الرتشيح يتم ليس ابالعتماد‬
‫على واصفات احملتوى املوضوعية (مثل طول الفيلم أكرب من ‪ 120‬دقيقة) أو أبعاد السياق اإلضافية (الوقت احلايل هو عطلة‬
‫ّناية األسبوع)‪ ،‬وإمنا على معايري التقييم الشخصية (مثل تقييم القصة أكرب من ‪ ،)9‬أي القيمة املتوقعة اليت تعتمد بشكل كبري‬
‫على ذوق وتفضيالت املستخدم‪.‬‬

‫‪42‬‬
 ‫‪ 5.4‬مناقشة األعمال املستقبلية‬
‫متثل أنظمة التوصية منطقة حبث حية ومتغرية ابستمرار‪ .‬عرب التطويرات احلديثة املهمة‪ ،‬بدأت أنظمة التوصية الرقمية بتبين‬
‫التقييمات متعددة املعايري املقدمة من املستخدمني‪ ،‬ونقوم يف هذا القسم ابستعراض اخلوارزميات والتقنيات ألنظمة التوصية‬
‫اف‪ ،‬ونقدم يف هذا القسم بعض التحدايت واجتاهات البحث‬ ‫بشكل و ٍ‬
‫متعددة املعايري‪ .‬مل يتم دراسة هذه األنظمة احلديثة نسبياً ٍ‬
‫املستقبلية هلذا التصنيف من أنظمة التوصية‪.‬‬

‫‪ 1.5.4‬تطوير مقارابت جديدة للتقييمات متعددة املعايري‬

‫‪ 1.1.5.4‬منذجة التقييمات متعددة املعايري‬
‫عاد ًة ما يتم التعبري عن تفضيالت املستخدم يف أنظمة التوصية (مبا فيها األنظمة متعددة املعايري) ابستخدام تقييمات رقمية‬
‫بسيطة‪ .‬بدأت األعمال احلديثة ابستكشاف مقارابت بديلة لتمثيل وجتميع تقييمات املستخدم (مثل استخدام تقنيات املنطق‬
‫]‪ ،)[49‬إىل جانب ذلك‪ ،‬ميكن منذجة التقييمات بطريقة ملونة (أو تعتمد على األمساء) (مثل أخذ املواصفات‬ ‫]‪[48‬‬ ‫العائم‬
‫الداللية للتقييمات الداللية ]‪ .)[50‬إن دراسة منذجة تفضيالت املستخدم‪ ،‬وخاصة يف سياق متعدد املعايري أكثر تعقيداً‪ ،‬متثل‬
‫اجتاه شيق يف البحث مستقبالً‪.‬‬

‫‪ 2.1.5.4‬التقسيم واملعاجلة السابقة للبياانت بشكل ذكي‬

‫إنه ملن املعروف أن أنظمة التوصية تعاين من مشكلة تبعثر البياانت ‪ .Data Sparsity‬أحد املقارابت احملتملة لتخفيف هذه‬
‫املشكلة هي بتطبيق تقسم للمعطيات بشكل ذكي أو عنقدة هلذه املعطيات‪ ،‬حيث يتم جتاهل األبعاد (املعايري) غري املفيدة‪،‬‬
‫وحتسب التوصيات الناجتة عن طريق أخذ هذا التجميع بعني االعتبار‪.‬‬
‫ويتم دمج املستخدمني املتشاهبني (أو املواد املتشاهبة)‪ُ ،‬‬
‫يف أدبيات التنقيب يف املعطيات‪ ،‬كان هناك حبثاً كبرياً يف كيفية تقسيم املستخدمني ]‪ .[51‬أيضاً‪ ،‬يف أنظمة التوصية متعددة‬
‫املعايري‪ ،‬مت استخدام العديد من إجرائيات عنقدة املستخدمني املخصصة كجزء من خوارزميات التوصية املقرتحة (مثل ]‪[52‬‬

‫]‪ .)[53‬استكشف بعض الباحثون أيضاً العديد من تقنيات استخالص امليزات ‪ Feature Extraction‬لتحديد املعايري األفضل‬
‫الستخدامها يف األنظمة متعددة املعايري ]‪ .[54‬على أي حال‪ ،‬حنتاج العديد من الدراسات اإلضافية لفحص مقارابت تقسيم‬
‫ومعاجلة البياانت السابقة ‪ Data Pre-processing‬ألنظمة التوصية متعددة املعايري بطريقة داللية‪.‬‬

‫‪ 3.1.5.4‬توقع التفضيالت املشاهبة‬

‫ميكن دراسة مسألة التوصية متعددة املعايري عن طريق متثيلها كتوقع (تقدير) التفضيالت املتشاهبة للمستخدم‪ ،‬على النقيض لقيم‬
‫التقييم املطلقة‪ .‬كان هناك بعض األحباث حول تشكيل الرتتيب الصحيح املتشابه للمواد ابستخدام تقنيات تعتمد على الرتتيب‪.‬‬

‫‪43‬‬
‫على سبيل املثال‪ ،‬قام ‪ [55] Freund‬بتطوير خوارزمية ‪ RankBoost‬ابالعتماد على الطريقة املعروفة ‪ ،AdaBoost‬ويف إعدادات‬
‫متعددة املعايري‪ ،‬ميكن ملثل هذه اخلوارزميات أن يتم اعتمادها لتجميع معايري التقييم املتشاهبة ملستخدم معني‪ .‬ابلتحديد‪ ،‬مت‬
‫االعتماد على هذه املقاربة يف نظام ‪.[56] DIVA‬‬

‫‪ 4.1.5.4‬بناء معايري أداء املادة‬

‫حنتاج للمزيد من البحث حول اختيار أو تشكيل اجملموعة األفضل من املعايري لتقييم املواد‪ .‬على سبيل املثال‪ ،‬تطلب العديد‬
‫من أنظمة التوصية متعددة املعايري من املستخدم أن يقوم بتقييم املادة على عدة معايري مبستوى واحد (القصة واملؤثرات اخلاصة‬
‫للفيلم على سبيل املثال)‪ .‬ميكن أن نقوم بتقسيم املستوى الوحيد من املعايري إىل عدة معايري فرعية‪ ،‬حبيث ميكن وجود عدد‬
‫مستوايت حسب املسألة‪ .‬على سبيل املثال‪ ،‬يف نظام توصية األفالم‪ ،‬ميكن تقسم معيار املؤثرات اخلاصة إىل مؤثرات صوتية‬
‫ومؤثرات بصرية‪ .‬ميكن هلذه املعلومات اإلضافية الناجتة عن املستوايت اإلضافية للمعايري أن تساعد يف فهم تفضيالت املستخدم‬
‫ويف بعض التقنيات مثل اإلجرائية اهلرمية التحليلية ‪ Analytical Hierarchy Process AHP‬اليت ميكن استعماهلا لدراسة هرمية‬
‫املعايري ]‪ ،[57‬كما طرح ‪ [58] Schmitt et al.‬يف نظامهم‪ .‬عند أخذ املزيد من املعايري لكل مادة‪ ،‬جيب أيضاً أن نقوم بفحص‬
‫الرتابط بعناية بني هذه املعايري ألن اختيار املعايري ميكن أو يؤثر بشكل كبري يف جودة التوصية‪ .‬أبعد من ذلك‪ ،‬من املهم احلصول‬
‫على عائلة متسقة من املعايري لنظام توصية‪ ،‬واليت تعين أن املعايري هي كاملة الرتتيب وشاملة وغري زائدة عن احلاجة‪ .‬يف اخلالصة‪،‬‬
‫إن بناء جمموعة من املعايري ملسألة توصية معينة هو جمال مهم وممتع لألحباث املستقبلية‪.‬‬

‫‪ 5.1.5.4‬دمج املعلومات املتعلقة ابجملال‬

‫إن العديد من أنظمة التوصية متعددة املعايري هي مصممة بدون استثمار املعرفة اخلاصة ابجملال املدروس‪ .‬على سبيل املثال‪،‬‬
‫ميكن لفهم املعلومات اإلضافية خلصائص الفندق (كالنظافة واملوقع واخلدمات‪ ...‬اخل)‪ ،‬ولكن أيضاً فهم خصائص األشخاص‬
‫املسافرين (مثل املسافرين للعمل أو املسافرين ذوي اخلربة يف السفر أو املسافرين لقضاء عطلة شهر العسل أو عطلة رومانسية‬
‫أو املسافرين ألخذ عطلة الربيع‪ ...‬اخل) ميكن أن يزود فوائد كبرية يف تصميم خوارزميات توصية أفضل‪ .‬قامت العديد من‬
‫الدراسات ابلبدء ابكتشاف النماذج اليت تتضمن املعلومات اخلاصة ابجملال املدروس ضمن أنظمة التوصية متعددة املعايري ]‪،[59‬‬
‫ولكن هناك العديد من الفرص اإلضافية يف هذا جمال هذا البحث‪.‬‬

‫‪44‬‬
 ‫‪ 2.5.4‬توسعة التقنيات احلالية للنظم متعددة املعايري‬
‫‪ 1.2.5.4‬إعادة استخدام تقنيات التوصية وحيدة املعيار‬
‫مت تطوير عدد كبري جداً من تقنيات التوصية ألنظمة التوصية وحيدة املعيار خالل آخر ‪ 20-15‬عاماً‪ ،‬ومت توسعة بعضهم إىل‬
‫أنظمة التقييم متعددة املعايري‪ .‬على سبيل املثال‪ ،‬ميكن لتقنيات الرتشيح التعاوين املعتمدة على اجلوار أن أتخذ بعني االعتبار‬
‫التقييمات متعددة املعايري ابستخدام عدد كبري من خيارات التصميم كما اقرتح ‪ Manouselis‬و‪( [29] Costopoulou‬كما مت‬
‫النقاش يف املقارابت التجريبية ‪.)Heuristic Approaches‬‬

‫انقشنا يف هذا القسم العديد من اجتاهات البحث املستقبلية احملتملة لألنظمة متعددة املعايري اليت ميكن أن تكون ممتعة ومهمة‬
‫يف جمتمع أنظمة التوصية‪ .‬مل يكن اهلدف من هذه الالئحة أن تكون شاملة‪ ،‬ولكن نؤمن أن البحث يف هذا اجملال ما زال يف‬
‫مراحله البدائية‪ ،‬وهناك العديد من اجملاالت اإلضافية اليت ميكن استكشافها للتقدم يف أنظمة التوصية متعددة املعايري‪.‬‬

‫‪ 6.4‬حمركات توصية مشاهبة‬

‫تفتقر الشبكة العنكبوتية حملركات التوصية غري املرتبطة ابلسياق (أي اليت تكون مستقلة عن النظام األساسي)‪ ،‬ولكن هناك بعض‬
‫اخليارات األخرى اليت تعمل وفق اخلوارزميات التقليدية وتقدم خيارات تعدد املعايري حسب الطلب‪.‬‬

‫‪Recombee 1.6.4‬‬
‫الرقمي ‪ Recombee‬خدمة التوصيّة يف الوقت احلايل عرب واجهة برجمة تطبيقات ‪API‬ـ تقوم إبعادة التّوصيات‬
‫ّ‬ ‫حمرك التوصيّة‬
‫يق ّدم ّ‬
‫قادر على تقدمي هذه اخلدمة مهما كان الضغط كبرياً على موقع‬
‫أقل من ‪ 200‬م‪.‬ث‪ .‬وهو زمن استجابة ممتاز‪ ،‬كما أنّه ٌ‬ ‫خالل ّ‬
‫قادر على ِ‬
‫تقدمي أكثر من ‪ 500‬توصية يف الثّانية الواحدة‪.‬‬ ‫حيث أنّه ٌ‬‫الزبون ُ‬ ‫ّ‬
‫اخلاصة هبم كدقّة التقييمات املق ّدمة من املوقع‪ ،‬وغريها من املؤ ّشرات مىت ما‬
‫احملرك لزابئنه استطالع مؤ ّشرات احلساسيّة ّ‬
‫يتيح ّ‬
‫أرادوا وذلك من خالل واجهة تفاعلية سهلة االستخدام‪ .‬ويتميز هذا احملرك أبنّه مستقلٌّ عن ِ‬
‫جمال التّوصية حيث ميكن استخدامه‬ ‫ّ‬ ‫ّ‬ ‫ّ‬
‫لتوصية أفالم‪ ،‬مقاالت‪ ،‬كتب‪ ،‬أو أغاين وغريها‪...‬‬

‫تتحول هذه اخلدمة إىل خدمة مدفوعة مقابل ‪ $100‬شهرّايً‪.‬‬

‫احملرك خدماته جماانً حىت ‪ 100‬ألف توصية شهرّايً‪ ،‬مثّ ّ‬
‫يُق ّدم هذا ّ‬
‫الشكل التّايل واملأخوذ من املوقع كمثال عن كيفيّة االستخدام‪:‬‬
‫مبني يف ّ‬
‫ميكن استخدام هذه اخلدمة بسهولة كما هو ّ‬

‫‪45‬‬
 ‫الشكل ‪ 5‬مثال يوضح حالة استخدام خلدمة حمرك التوصيّة ‪Recombee‬‬

‫‪Suggest Grid 2.6.4‬‬

‫تتلخص‬
‫الزابئن‪ ،‬وابلتّايل تقدمي توصيات مناسبة للمستخدمني حيث ّ‬
‫احملرك بتحليل بياانت املستخدمني املق ّدمة من ّ‬
‫يقوم هذا ّ‬
‫ُ‬
‫خدماته مبا يلي‪:‬‬

‫توصية أغراض للمستخدمني‪.‬‬ ‫•‬

‫توصية أغراض جملموعات من املستخدمني‪.‬‬ ‫•‬

‫يفضلون أغراض معيّنة‪.‬‬

‫إجياد مستخدمني حمتملني ّ‬ ‫•‬

‫معني‪.‬‬
‫إجياد مستخدمني مشاهبني ملستخدم ّ‬ ‫•‬

‫معني‪.‬‬
‫إجياد أغراض مشاهبة لغرض ّ‬ ‫•‬

‫اخلاصة ببياانهتم‪ ،‬والتح ّكم ببعض اخليارات املتاحة هلم‬

‫كما أنّه يتيح لزابئنه لوحة حت ّكم‪ ،‬مت ّكنهم من استطالع مؤ ّشرات الدقّة ّ‬
‫من خالل واجهة تفاعليّة‪.‬‬

‫مبني يف الشكل التايل واملأخوذ من املوقع كمثال عن كيفيّة االستخدام‪:‬‬

‫ميكن استخدام هذه اخلدمة بسهولة كما هو ّ‬

‫‪46‬‬
 ‫الشكل ‪ 6‬مثال يوضح حالة استخدام خلدمة حمرك التوصيّة ‪SuggestGrid‬‬

‫‪ 3.6.4‬خوارزمية ‪Yong Z.‬‬

‫طرح ‪ [60] Yong Z.‬خوارزميته اجلديدة اليت تقوم على فكرة استخدام أي تركيبة من املعايري ضمن السياق املدروس لتقوم بتوقع‬
‫التقييمات متعددة املعايري بشكل أفضل‪ .‬تبني النتائج التجريبية بناءً على معطيات من ‪ TripAdvisor‬و‪ YahooMovies‬أن‬
‫هذه الطريقة تقوم بتحسني أداء التقييمات متعددة املعايري‪.‬‬

‫‪CCC (Criteria Chains:‬‬ ‫و‬ ‫)‪CCA (Criteria Chains: Aggregation Model‬‬ ‫قدم الكاتب يف هذه اخلوارزمية مقاربيت‬
‫إلنتاج ترتيب املعايري األفضل‪ .‬بشكل خاص‪،‬‬ ‫‪information gain‬‬ ‫‪ )Contextual Model‬التان تستخدمان ربح املعلومات‬
‫مقاربة ‪CCA‬‬ ‫تسمح مقاربة ‪ CCC‬مبشاهدة التقييمات املتوقعة على أّنا أوضاع ضمن السياق‪ ،‬وتكون قادرة على التغلب على‬
‫اليت تقوم بتجميع التقييمات متعددة املعايري ضمن مناذج تعتمد على االحندار اخلطي ‪.SVR‬‬

‫‪ 7.4‬خالصة‬
‫يف هذا الفصل‪ ،‬هدفنا إىل تقدمي حملة عن أنظمة التوصية متعددة املعايري‪ .‬بشكل خاص‪ ،‬ركزان على أنظمة التوصية املعتمدة على‬
‫التقييمات متعددة املعايري‪ ،‬أي تلك التقنيات اليت تقوم بتزويد االقرتاحات عرب منذجة تفضيالت املستخدم جتاه مادة معينة‬
‫كشعاع من التقييمات عرب املعايري املتعددة‪ .‬قمنا مبراجعة التقنيات احلالية اليت تستخدم التقييمات متعددة املعايري حلساب‬
‫التقييمات املتوقعة وتوليد االقرتاحات‪ ،‬وانقشنا مواضع املناقشة والتحدايت املستقبلية هلذا الصنف من أنظمة التوصية‪.‬‬

‫توفر هذه الدراسة نظرة منهجية ألنظمة التوصية متعددة املعايري‪ ،‬وخارطة طريق لألعمال املتعلقة‪ ،‬ونقاشاً لعدد من اجتاهات‬
‫البحث املستقبلية‪ .‬على أي حال‪ ،‬نؤمن أن هذا الصنف من أنظمة التوصية ما يزال يف مرحله البدائية من التطوير‪ ،‬وحنتاج‬
‫الكثري من األحباث لفك اإلمكاانت الكاملة ألنظمة التوصية متعددة املعايري‪.‬‬

‫‪47‬‬
‫‪ 5‬الفصل الرابع‪ :‬تصميم احلل املقرتح والنتائج‬

‫‪48‬‬
 ‫‪ 1.5‬مقدمة‬
‫تعتمد املقاربة املقرتحة على الرتكيز على فكرة بناء عائلة متسقة من املعايري‪ ،‬حيث نذكر بتعريف العائلة املتسقة من املعايري على‬
‫أّنا (حسب ‪ 2.5.3‬عائلة املعايري)‪:‬‬

‫‪ .1‬كاملة الرتتيب ‪ .Monotonic‬نقول عن جمموعة من املعايري أّنا كاملة الرتتيب فقط إذا حتقق الشرط‪ :‬من أجل كل‬
‫= ) ‪ 𝑔𝑐 (𝑖1‬من أجل‬ ‫) ‪𝑔𝑐 (𝑖2‬‬ ‫من أجل معيار معني ‪ ،c1‬و‬ ‫) ‪𝑔𝑐1 (𝑖1 ) > 𝑔𝑐1 (𝑖2‬‬ ‫ثنائية بدائل ‪ ،𝑖1 , 𝑖2‬وعندما يكون‬
‫أفضل من البديل ‪.𝑖2‬‬ ‫‪𝑖1‬‬ ‫كل املعايري ‪ ،𝑐 ≠ 𝑐1‬ميكن عندها اعتبار البديل‬
‫‪ .2‬شاملة ‪ .Exhaustive‬نقول عن جمموعة من املعايري أّنا شاملة فقط إذا حتقق الشرط‪ :‬من أجل كل ثنائية بدائل‬
‫و ‪ 𝑖2‬متكافئني‪.‬‬ ‫‪𝑖1‬‬ ‫من أجل كل معيار ‪ ،c‬ميكن عندها اعتبار البديلني‬ ‫يكون ) ‪𝑔𝑐1 (𝑖1 ) = 𝑔𝑐1 (𝑖2‬‬ ‫‪ ،𝑖1 , 𝑖2‬وعندما‬
‫‪ .3‬غري زائدة عن احلاجة ‪ .Non-redundant‬نقول عن جمموعة من املعايري أّنا غري زائدة عن احلاجة فقط إذا ّأدى‬
‫حذف أي معيار من هذه اجملموعة إىل خمالفة اخلاصتني السابقتني‪.‬‬

‫تقوم الفكرة األساسية ضمن النموذج املقرتح على صعوبة تشكيل عائلة معايري غري مرتبطة ببعضها البعض (أي مستقلة بشكل‬
‫كامل) أو حسب النقاط السابقة‪ ،‬غري زائدة عن احلاجة‪ ،‬وخصوصاً مع وجود شرط الشمولية الذي يفرض اكتمال الصورة‬
‫لتقييم املستخدم للمادة بشكل صحيح وكامل‪.‬‬

‫إن عدم استقاللية هذه املعايري ميكننا من االعتماد على ارتباطها أثناء اكتشاف التوقعات على مستوى كل معيار (ابستخدام‬
‫تقنيات التوصية وحيدة املعيار التقليدية مثل الرتشيح التعاوين)‪.‬‬

‫‪ 2.5‬تذكرة إبشكالية البحث‬

‫تعتمد العديد من أنظمة التوصية الرقمية على معيار وحيد يعرب عن تقييم املستخدم للمادة‪ .‬إن االعتماد على تقييمات متعددة‬
‫‪5‬الشهري يف تصميم نظام‬ ‫‪Trip Advisor‬‬ ‫للمادة يعطي معلومات أكثر عن تفضيل املستخدم للمادة وهو ما اعتمده موقع‬
‫التقييم لديه‪ .‬يوضح املثال التايل مشكلة االعتماد على تقييم وحيد للفنادق‪.‬‬

‫‪/https://www.tripadvisor.com 5‬‬
‫‪49‬‬
 ‫أمية‬ ‫الشام‬ ‫الشرياتون‬ ‫املريداين‬ ‫املستخدم‬
‫‪3 ،2 ،3 ،5 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،3 ،2 ،5‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫حممد‬
‫‪3 ،5 ،2 ،2 ،3‬‬ ‫‪3 ،2 ،2 ،3 ،5‬‬ ‫‪3 ،3 ،2 ،5 ،2‬‬ ‫‪3 ،3 ،2 ،2 ،5‬‬ ‫علي‬
‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫‪3 ،2 ،5 ،3 ،2‬‬ ‫جمد‬
‫متثل األرقام املوجودة تقييم املستخدم للمعايري التالية على الرتتيب (اخلدمة‪ ،‬املكان‪ ،‬النظافة‪ ،‬اجلو العام) وميثل الرقم األخري‬
‫الوسطي احلسايب للمعايري األربعة‪.‬‬

‫تربز املشكلة عند االعتماد على تقييم وحيد (القيمة اخلامسة يف خالاي جدول التقييمات اليت متثل التقييم الكلي) يف اكتشاف‬
‫النظام لتشابه املستخدم اهلدف وهو حممد لكل من علي وجمد على التساوي على اعتبار أن التقييمات مشاهبة بشكل كامل‬
‫بني املستخدمني االثنني حملمد‪.‬‬

‫لدى االعتماد على التقييمات التفصيلية تكتشف عدم موافقة علي حملمد يف آراءه التفصيلية بينما نرى أن جمد مشابه بشكل‬
‫اتم حملمد‪.‬‬

‫إن االعتماد على املعايري التفصيلية يزيد من دقة نظام التوصية الرقمي‪ .‬ندعو هذه املقاربة أبنظمة التوصية متعددة املعايري‬
‫‪.Multi Criteria Recommender Systems‬‬

‫سنعرض فيما يلي مقاربتنا لنموذج مقرتح يساهم يف بناء نظام توصية متعدد املعايري ابالستفادة من فكرة صعوبة بناء عائلة‬
‫متسقة من املعايري‪.‬‬

‫‪ 3.5‬بناء عائلة املعايري‬

‫نعتمد يف بناء عائلة املعايري على رأي اخلبري يف اجملال لتصميم هذه العائلة‪ .‬يعتمد تصميم هذه اجملموعة على اجملال املدروس‬
‫مثل‪:‬‬

‫‪ -‬نظام توصية مطاعم‪ :‬جودة الطعام والديكور واملوقع‪ ،‬أو األسعار واخلدمة والطعام والتقييم الكلي‪.‬‬
‫‪ -‬نظام توصية أفالم‪ :‬القصة واملؤثرات البصرية واإلخراج‪ ،‬أو جودة التمثيل واملوسيقى التصويرية والقصة‪.‬‬
‫‪ -‬نظام توصية كتب‪ :‬القصة والتشويق وجودة تقسيم الفصول‪.‬‬

‫نالحظ أن كل جمال حيتمل وجود عائلة كبرية جداً من املعايري اليت ميكن تشكيل أي عائلة جزئية منها‪ .‬إن صعوبة الشرط "عدم‬
‫الزايدة عن احلاجة" جيعل انتقاء هذه العائلة صعباً بوجود شرط مشولية العائلة لشروط املسألة حبيث تغطي كافة املعايري املمكنة‬
‫للمسألة اليت جتعل مسألة التقييم التقليدية جيدة ملستخدمي النظام‪.‬‬
‫‪50‬‬
‫إن مشولية عائلة املعايري توصل بشكل غري مباشر إىل زايدة املعايري عن احلاجة مما يؤدي إىل تعلق املعايري ببعضها البعض مثل‬
‫تعلق معيار إخراج الفيلم ابملؤثرات البصرية والسمعية أو تعلق اخلدمة يف املطعم ابألسعار (وذلك بسبب التقييم السياحي‬
‫للمطاعم)‪ .‬يؤدي تعلق املعايري ببعضها البعض إىل وجود ترتيب هلذه املعايري يعرب عن تعلقها ببعضها البعض‪ .‬نسمي عائلة‬
‫حيث‪:‬‬ ‫املعايري يف املسألة املطروحة ابجملموعة ‪ℂ‬‬

‫} 𝑘𝑐 ‪ℂ = {𝑐1 , 𝑐2 , … ,‬‬
‫ميكن ترتيب جمموعة املعايري السابقة بـ ـ ـ !𝑘 طريقة خمتلفة (حسب قانون الرتاتيب)‪.‬‬

‫‪ 4.5‬جمموعة البياانت املستعملة ‪Trip Advisor Dataset‬‬

‫الشهري لتقييم الفنادق‬ ‫‪Trip Advisor‬‬ ‫نعتمد يف حبثنا على إجراء االختبارات ابستخدام جمموعة البياانت املقدمة من موقع‬
‫واملطاعم والوجهات السياحية‪ .‬يوضح الشكل ‪ 7‬مثاالً عن التقييمات متعددة املعايري يف موقع ‪ ،Trip Advisor‬حيث ميكن‬
‫للمستخدمني تقييم الفندق على ‪ 7‬معايري خمتلفة للفندق وهي‪:‬‬

‫القيمة مقارنة ابملال املدفوع ‪.Value‬‬ ‫•‬

‫جودة الغرف ‪.Rooms‬‬ ‫•‬

‫مالءمة موقع الفندق ‪.Location‬‬ ‫•‬

‫نظافة الفندق ‪.Cleanliness‬‬ ‫•‬

‫جتربة تسجيل الدخول للفندق ‪.Check in / Front Desk‬‬ ‫•‬

‫جودة اخلدمة املقدمة ‪.Service‬‬ ‫•‬

‫جودة خدمة األعمال ‪.Business Service‬‬ ‫•‬

‫الشكل ‪ 7‬مثال عن التقييمات متعددة املعايري يف موقع ‪Trip Advisor‬‬

‫‪51‬‬
‫مت استخراج هذه املعطيات من قبل ‪ [48] Jannach, et al.‬ابستخدام إجرائية زحف عرب الوب ‪ Web Crawling‬اليت قامت‬
‫بتجميع تقييمات املستخدمني للفنادق الواقعة يف ‪ 14‬وجهة عاملية مثل لندن ونيويورك وسنغافورة‪ ...‬اخل‪ .‬يوجد يف هذه اجملموعة‬
‫‪ 22,130‬تقييماً من قبل ‪ 1,502‬مستخدم لـ ـ ‪ 12,773‬فندقاً‪.‬‬

‫‪ 5.5‬اخلوارزمية املقرتحة‪ :‬سلسة املعايري ‪Criteria Chaining‬‬

‫تعتمد اخلوارزمية املقرتحة بشكل أساسي على تضمني تعدد املعايري أثناء التوقع وليس التوصية‪ ،‬وذلك عن طريق بناء منوذج يقوم‬
‫ابستخراج التوصيات الفردية ومث جتميعها إىل تقييم كلي‪.‬‬

‫لنمذجة اخلوارزمية رايضياً نعرب عن مسألة التوصية ابستخدام التابع‪:‬‬

‫)𝑖 ‪𝑅: 𝑈𝑠𝑒𝑟𝑠 × 𝐼𝑡𝑒𝑚𝑠 → 𝑅(𝑢,‬‬ ‫‪Eq23‬‬

‫حبيث يكتب التابع )𝑖 ‪ 𝑅(𝑢,‬بداللة تقييمات املستخدمني املوجودين يف جوار املستخدم 𝑢 ونعرب عن هذا اجلوار بـ ـ 𝑢‪ ،ℵ‬وهبذا‬
‫يكون‪:‬‬

‫∶ )𝑖 ‪𝑅(𝑢, 𝑖) ~ 𝑅(𝑢′ ,‬‬ ‫𝑢‪𝑢 ′ ∈ ℵ‬‬ ‫‪Eq24‬‬

‫‪𝑢′‬‬ ‫نقصد بـ ـ )𝑖 ‪ 𝑅(𝑢,‬هنا التقييم املتوقع للمستخدم 𝑢 للمادة 𝑖 بينما نقصد بـ ـ ـ )𝑖 ‪ 𝑅(𝑢′ ,‬ابلتقييم احلقيقي املعروف للمستخدم‬
‫للمادة 𝑖‪.‬‬

‫ابلواقع ال تتدخل اخلوارزمية املقرتحة حبساب جوار املستخدم الذي ميكن استخراجه عن طريق خوارزميات تتعلق بطريقة الرتشيح‬
‫التعاوين واليت تعتمد بشكل أساسي على حساب التشاهبات بني املستخدم واملستخدمني اآلخرين عن طريق التقييمات املعروفة‬
‫للمواد ]‪.[28‬‬

‫ما تطرحه اخلوارزمية اجلديدة "سلسة املعايري" هو تغيري معادلة حساب التقييم املتوقع لتأخذ بعني االعتبار الفكرة املطروحة يف‬
‫الفقرة ‪ 3.5‬بناء عائلة املعايري‪.‬‬

‫اليت تعرب عن تقييم املستخدم 𝑢 للمادة‬ ‫𝑐‪𝑟𝑢,𝑖,‬‬ ‫ميكن التعبري عن املعادلة ‪ 24‬بشكل آخر حبيث ميكن تضمني التقييمات اإلفرادية‬
‫𝑖 على املعيار 𝑐‪.‬‬

‫∁ ∈ 𝑐 ‪𝑅(𝑢, 𝑖) = 𝑓(𝑟𝑢′ ,𝑖,𝑐 ) ∶ 𝑢′ ∈ ℵ𝑢 ,‬‬ ‫‪Eq25‬‬

‫‪52‬‬
 ‫حيث تعرب ∁ عن عائلة املعايري املدروسة‪.‬‬

‫تصبح املعادلة ‪ 25‬على الشكل‪:‬‬

‫𝑐‪𝑅(𝑢, 𝑖) = 𝑓(𝑟𝑢′ ,𝑖,𝑐 , 𝑟 ′ 𝑢,𝑖,𝑐 ′ ) ∶ 𝑢′ ∈ ℵ𝑢 , 𝑐 ∈ ∁ , 𝑐 ′ ∈ ∁′‬‬ ‫‪Eq26‬‬

‫حيث تعرب 𝑐‪ ∁′‬عن جمموعة املعايري اليت تسبق املعيار اهلدف 𝑐 اليت يتم توقع التقييم عنده‪.‬‬

‫حتاول خوارزميتنا املعتمدة أن تكامل االعتماد بني التقييمات متعددة املعايري أو بني املعايري ذاهتا ضمن إجرائية التوقع‪ .‬نقوم‬
‫واليت متثل إحدى املقارابت املستخدمة ضمن‬ ‫بتعلم هذه اخلربة من خوارزمية سالسل املصنّف‬
‫‪[61] Classifier Chains‬‬

‫التصنيف متعدد العالمات )‪ .Multi Label Classification (MLC‬تكمن الفكرة يف خوارزمية سالسل املصنف أّنا قادرة‬
‫على تعلم التوقعات الثنائية (‪ 0‬أو ‪ )1‬لكل وسم (عالمة ‪ )Label‬على شكل سلسلة ضمن عملية التصنيف‪ .‬ففي البداية‪،‬‬
‫تستخدم اخلوارزمية امليزات املوجودة يف النظام لتستخرج التوقعات للوسم األول‪ .‬مث يتم استخدام هذا التوقع كميزة إضافية‬
‫للمعطيات لتوقع الوسم الثاين‪ .‬يتم إضافة توقعات األومسة كميزات إضافية لتوقع الوسم التايل‪ ،‬حىت يتم توقع كل األومسة‪ .‬إن‬
‫خوارزمية سلسلة املصنف قادرة على التفوق على العديد من خوارزميات التصنيف متعددة العالمات أو األومسة حيث أّنا أتخذ‬
‫االعتمادايت بني األومسة بعني االعتبار‪.‬‬

‫ابالعتماد على املعادلة ‪ ،25‬وابالعتماد على االحندار اخلطي ‪ ،Linear Regression‬ميكن كتابة التقييم الكلي على الشكل‪:‬‬

‫𝑡 ‪𝑅0 = 𝑤1 ∗ 𝑅1 + 𝑤2 ∗ 𝑅2 + ⋯ + 𝑤𝑘 ∗ 𝑅𝑘 +‬‬ ‫‪Eq27‬‬

‫طريقة‬ ‫‪𝑅1‬‬ ‫ابستخدام التقييمات السابقة املتوقعة حيث يتم حساب التقييم على املعيار األول‬ ‫𝑖𝑅‬ ‫يتم حساب التقييم املتوقع‬
‫ابستخدام تقييمات املستخدمني‬ ‫‪𝑅2‬‬ ‫الرتشيح التعاوين التقليدية على املعيار األول‪ ،‬مث يتم حساب التقييم على املعيار الثاين‬
‫اآلخرين (جوار املستخدم ضمن طريقة الرتشيح التعاوين) والتقييم املتوقع على املعيار األول ‪ ،𝑅1‬وهكذا دواليك‪ ،‬يتم حساب‬
‫التقييم املتوقع على املعيار 𝑖 ابستخدام تقييمات املستخدمني اآلخرين (املوجودين يف اجلوار) على املعيار 𝑖 والتقييمات املتوقعة‬
‫على املعايري ‪ 1 … 𝑖 − 1‬لنفس املادة‪ .‬ميكن كتابة معادلة حساب التقييم 𝑖𝑅 كالتايل‪:‬‬
‫̅̅̅ ‪∑𝑣∈𝒩𝑖(𝑢) 𝑤𝑢𝑣 (𝑅𝑣𝑖 −‬‬
‫) 𝑣𝑅‬
‫̅̅̅̅ = 𝑖𝑅‬
‫‪𝑅𝑢 +‬‬ ‫‪+ 𝑤1 ∗ 𝑅1 + 𝑤2 ∗ 𝑅2 + ⋯ + 𝑤𝑖−1 ∗ 𝑅𝑖−1‬‬ ‫‪Eq28‬‬
‫| 𝑣𝑢𝑤|)𝑢(𝑖𝒩∈𝑣∑‬

‫̅̅̅̅‬
‫̅̅̅̅ قيمة التقييم اعتماداً على الرتشيح التعاوين‪.‬‬
‫𝑅‪∑𝑣∈𝒩 (𝑢) 𝑤𝑢𝑣 (𝑅𝑣𝑖 −‬‬
‫‪𝑅𝑢 +‬‬ ‫𝑖‬
‫| 𝑣𝑢𝑤|)𝑢( 𝒩∈𝑣∑‬
‫)𝑣‬
‫ميثل احلد األول‬
‫𝑖‬

‫‪53‬‬
‫تعرب األمثال 𝑣𝑢𝑤 عن مقدار الرتابط ‪ Correlation‬بني املستخدمني 𝑣 ‪ ،𝑢,‬بينما تعرب األمثال 𝑗𝑤 عن الرتابط بني التقييمات‬
‫املوجودة على املعيار احلايل 𝑖 واملعيار 𝑗‪ .‬ميكن حساب قيمة الرتابط ابستخدام مقياس ‪.[62] Pearson6‬‬

‫كما سبق وذكران سابقاً وجود !𝑘 ترتيب ممكن لـ ـ 𝑘 معيار‪ ،‬ابلتايل ميكن ترتيب املعايري الستخدامها يف اخلوارزمية ضمن اجلزء‬
‫اخلاص بسلسلة املعايري ضمن املعادلة ‪.28‬‬

‫طريقة‪.‬‬ ‫‪7! = 5040‬‬ ‫مثال‪ :‬ضمن جمموعة املعطيات املدروسة ‪ Trip Advisor‬ميكن ترتيب املعايري ضمن‬

‫الناتج يف كل‬ ‫‪MAE‬‬ ‫تعمل اخلوارزمية املقرتحة على دراسة كافة الرتتيبات املمكنة للمعايري وحساب اخلطأ الرتبيعي األصغري‬
‫ترتيب (عن طريق اختبار النتائج على عينة االختبار)‪ ،‬ومن مث انتقاء الرتتيب الذي يعطي اخلطأ األقل‪.‬‬

‫تقوم اخلوارزمية ببناء منوذج تدريب يعمل ضمن مرحلتني أساسيتني‪ :‬مرحلة غري متصلة ‪ Offline‬ومرحلة متصلة ‪ .Online‬يتم‬
‫تدريب النموذج خالل املرحلة غري املتصلة بينما يتم تطبيقه إلعطاء النتائج خالل املرحلة املتصلة‪ .‬يبني الشكل ‪ 8‬مراحل عمل‬
‫اخلوارزمية املقرتحة‪.‬‬

‫‪ 6‬راجع امللحق ‪ 1‬لالستزادة عن الرتشيح التعاوين وعن طريقة حساب الرتابط بطريقة ‪ Pearson‬وبطرق أخرى مثل الزوااي ‪.cos‬‬
‫‪54‬‬
 ‫الشكل ‪ 8‬خوارزمية سلسلة املعايري‬

‫تعمل اخلوارزمية على حتضري البياانت وتقسيمها إىل عينتني مها عينة التدريب وعينة االختبار حبيث يتم اقتسام املعطيات إىل‬
‫‪ %80‬للتدريب و‪ %20‬لالختبار‪.‬‬

‫‪55‬‬
 ‫‪ 6.5‬تطبيق خوارزمية سلسلة املعايري على بياانت موقع ‪Trip Advisor‬‬
‫جرى تطبيق اخلوارزمية املقرتحة على بياانت ‪ Trip Advisor‬ضمن عدة مراحل وهي‪:‬‬

‫‪ -1‬املرحلة األوىل‪ :‬حتضري البياانت‪.‬‬

‫تتوفر البياانت ضمن عدة ملفات من نوع ‪ json‬حبيث تكون ميثل كل ملف التقييمات اخلاصة بكل فندق‪ .‬حيوي امللف على‬
‫قائمة ابلتقييمات حبيث حيوي كل تقييم على‪ :‬التقييمات على املعايري املتعددة واسم وموقع املستخدم وعنوان ورقم املراجعة‬
‫وحمتوى املراجعة النصي واترخيها‪.‬‬

‫يقوم حمضر البياانت ‪ Data Preprocessor‬بقراءة هذه امللفات واستريادها إىل بنية معطيات مقابلة موضحة يف الشكل ‪ 9‬بنية‬
‫املعطيات املمثلة لتقييمات بياانت ‪.Trip Advisor‬‬

‫الشكل ‪ 9‬بنية املعطيات املمثلة لتقييمات بياانت ‪Trip Advisor‬‬

‫بعد حتضري البياانت نقوم بتجزئتها إىل عينتني مها عينة التدريب (‪ )%80‬وعينة االختبار (‪ .)%20‬مت جتزئة العينتني عرب اقتسام‬
‫املراجعات وليس الفنادق وذلك للحصول على عينتني عادلتني للتدريب واالختبار لنكون قادرين على االختبار بشكل عادل‪.‬‬

‫‪ -2‬املرحلة الثانية‪ :‬تدريب واختبار النموذج‪.‬‬

‫نقوم ابالعتماد على تطبيق خوارزمية الرتشيح التعاوين (ابستخدام مقياس ‪ )Pearson‬الستنتاج التقييمات اإلفرادية‪ ،‬كما نستخدم‬
‫مقياس ‪ Pearson‬يف استخراج أمثال املعادلة اخلطية اخلاصة بسلسلة املعايري حيث يعرب هذا املعيار عن مقدار الرتابط بني املعيارين‬
‫املدروسني ابستخدام تقييمات املستخدمني على املعيارين‪.‬‬

‫‪56‬‬
‫الستنتاج‬ ‫‪MAE‬‬ ‫نقوم ابختبار كافة تركيبات املعايري املمكنة (!𝑘 تركيبة ممكنة) واختبارهم ابستخدام اخلطأ الرتبيعي األصغري‬
‫الرتكيبة املناسبة‪.‬‬

‫حمرك التّوصية يف التنبّؤ بتقييمات املستخدمني يف النّظام‪ ،‬حيث متّ حساب دقّة‬
‫تبني دقّة ّ‬
‫نستعرض فيما يلي إحصائيّات ّ‬
‫املكونة من ‪ 22‬ألف تقييم إىل جمموعتني‪:‬‬
‫التقييمات بطريقة ‪ Cross validation‬وذلك بتقسيم جمموعة املعطيات ‪ Trip Advisor‬و ّ‬
‫األوىل للتدريب تش ّكل ‪ %80‬من جمموعة املعطيات‪ ،‬فيما أجرينا االختبار على الباقي من املعطيات (‪ ،)%20‬وبتكرار العمليّة‬
‫ائي لتفادي مشاكل من نوع ارتباط‬ ‫ٍ‬
‫‪ 5‬مرات وذلك بتغيري اختيار عيّنة التّدريب واالختبار من جمموعة املعطيات بشكل عشو ّ‬
‫التقييمات يف جمموعة املعطيات املدروسة‪.‬‬

‫‪ 1.6.5‬مقارنة النموذج املقرتح مع النموذج التقليدي‬

‫ابالعتماد على الطريقة املوضحة سابقاً‪ ،‬قمنا بتدريب النموذج للحصول على الرتتيب األفضل للمعايري والذي تبني أنه‪:‬‬

‫‪ .1‬القيمة مقارنة ابملال املدفوع ‪.Value‬‬

‫‪ .2‬جودة خدمة األعمال ‪.Business Service‬‬
‫‪ .3‬جتربة تسجيل الدخول للفندق ‪.Check in / Front Desk‬‬
‫‪ .4‬مالءمة موقع الفندق ‪.Location‬‬
‫‪ .5‬جودة الغرف ‪.Rooms‬‬
‫‪ .6‬جودة اخلدمة املقدمة ‪.Service‬‬
‫‪ .7‬نظافة الفندق ‪.Cleanliness‬‬

‫ابملقارنة مع النموذج التقليدي الذي نعتمد فيه على الرتشيح التعاوين حبجم عينة جوار هي ‪ 50‬مستخدماً وابستخدام نفس‬
‫مقياس الرتابط ‪ ،Pearson‬وجدان أن قيمة اخلطأ الرتبيعي األصغري هي ‪( 0.7‬من ‪ 5‬أي ‪ )%14‬يف سلسلة املعايري مقارنة مع‬
‫‪( 0.8‬من ‪ 5‬أي ‪.)%14.6‬‬

‫نبني فيما يلي أتثري اختيار حجم عينة اجلوار على أداء نظام التوصية‪.‬‬

‫‪57‬‬
 ‫‪ 2.6.5‬أتثري اختيار قيمة حجم عينة اجلوار على أداء نظام التوصية‬
‫لدراسة أتثري اختيار قيمة اجلوار على أداء النّظام قمنا حبساب دقّة النّظام يف التنبّؤ ابلتقييمات مع تغيري قيم عدد اجلوار املعتمد‪،‬‬
‫ويوضح املخطّط التّايل النتائج الّيت حصلنا عليها‪:‬‬
‫الرتشيح التّعاوينّ اعتماداً على املستخدم‪ّ ،‬‬
‫حاليت سلسة املعايري و ّ‬
‫وذلك يف ّ‬
‫‪0.85‬‬

‫‪0.8‬‬
‫‪Mean Absolute Error‬‬

‫‪0.75‬‬

‫‪0.7‬‬

‫‪0.65‬‬

‫‪0.6‬‬
‫‪5‬‬ ‫‪10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100‬‬
‫‪Neighborhood Size‬‬

‫سلسة المعايير‬ ‫الطريقة التقليدية‬

‫الشكل ‪ 10‬تناقص اخلطأ يف عمليّة التنبؤ مع ازدايد عدد اجلوار‪.‬‬

‫نالحظ اخنفاض قيمة اخلطأ يف عمليّة التنبّؤ مع ازدايد عدد اجلوار املعتمد يف النّظام‪ ،‬حيث يكون هذا االخنفاض كبرياً عند القيم‬
‫الصغرية لعدد اجلوار‪ ،‬ومن مثّ يتناقص أتثري زايدة عدد اجلوار بعد عتبة معيّنة‪.‬‬
‫ّ‬
‫السابقة جند أنّه ميكننا اعتماد قيمة فوق عتبة معيّنة حبيث نتم ّكن من احلصول على دقّة مقبولة مع احلفاظ‬
‫وعليه وحبسب النتائج ّ‬
‫الالحقة‪.‬‬
‫على أداء جيّد يف عمليّة التّوصية من حيث تعقيد العمليّات احلسابيّة‪ ،‬وقد متّ اعتماد عدد جوار ‪ 50‬يف النتائج ّ‬

‫‪ 3.6.5‬مقارنة اخلوارزمية املقرتحة مع خوارزمية ‪Yong Z.‬‬

‫قام ‪ [60] Yong Z.‬بتطبيق خوارزميته على نفس املعطيات املدروسة يف هذه األطروحة وهي ‪ .Trip Advisor Data Set‬حققت‬
‫خوارزميتنا املطروحة نتائجاً متقاربة بشكل كبرية مع ‪ Yong Z.‬حيث حقق ‪ Yong Z.‬نتائج تقدر خبطأ تربيعي أصغري قيمته‬
‫‪( 0.78‬من أصل ‪ 5‬أي ‪ .)%15.6‬نظراً لعدم تصريح ‪ Yong Z.‬بتفاصيل خوارزميته فإننا نتوقع االختالف احلاصل بسبب‬
‫اختالف طريقة حساب الرتابط بني املعايري (حيث استخدمنا حنن مقياس ‪ Pearson‬للرتابط)‪ ،‬وكما ميكن الختالف املقياس يف‬
‫حساب التشابه بني املستخدمني (حيث استخدمنا حنن مقياس ‪ Pearson‬املعدل)‪.‬‬
‫‪58‬‬
 ‫‪ 7.5‬املخطط الداخلي لعمل النظام الربجمي‬
‫شقني‪:‬‬
‫إ ّن إطار عمل النّظام ميكن تقسيمه ضمن ّ‬
‫يتم فيها إجياد جوار كل غرض أو مستخدم ضمن‬ ‫مرحلة تدريب‪ :‬وهي مرحلة ّ‬
‫تتم مبعزل عن عمل النّظام ‪ّ ،offline‬‬ ‫•‬

‫يتم ختزين خرج هذه املرحلة لتستخدم فيما بعد إبجياد التّوصيات‪.‬‬
‫الرتابط املختلفة‪ّ ،‬‬
‫النّظام ابستخدام مقاييس ّ‬
‫مرحلة تشكيل توصيات‪ّ :‬‬
‫يتم فيها التنبّؤ بتقييمات املستخدمني لألغراض ضمن النّظام‪ ،‬وتوصية كل مستخدم مبا‬ ‫•‬

‫يناسبه‪.‬‬

‫السابقة‪:‬‬
‫كل مرحلة من املراحل ّ‬
‫يوضح املخطّط التّايل آليّة عمل النّظام‪ ،‬مبيّناً العمليّات يف ّ‬
‫ّ‬

‫الشكل ‪ 11‬املخطط الداخلي لعمل النظام‪.‬‬

‫‪59‬‬
‫كل من املرحلتني املذكورتني سابقاً‪ ،‬مرحلة التدريب ومرحلة التّوصية‪ ،‬وفيما يلي نورد‬
‫السابق مراحل العمل يف ّ‬
‫وضح املخطّط ّ‬
‫ي ّ‬
‫السابق‪:‬‬
‫مبني وفق املخطّط ّ‬
‫مرحلة كما هو ّ‬
‫بكل ٍ‬ ‫اخلاصة ِّ‬
‫شرحاً للخطوات ّ‬
‫مرحلة التدريب‪ :‬وتكون اخلطوات ضمن هذه املرحلة كالتّايل‪:‬‬

‫املخزنة يف قاعدة‬
‫‪ .1‬تقوم طبقة التّعامل مع املعطيات بتشكيل مصفوفة (أو مكعب) تقييمات املستخدمني وفقاً للمعطيات ّ‬
‫معطيات النّظام‪.‬‬

‫السابقة وهي مصفوفة التقييمات إىل الوحدة املسؤولة عن انتقاء اجلوار املناسب ِّ‬
‫لكل مستخدم أو‬ ‫يتم مترير خرج املرحلة ّ‬
‫‪ّ .2‬‬
‫السابق فهناك خطوة اختياريّة إبجراء عمليّة العنقدة على املستخدمني أو األغراض وذلك‬
‫الشكل ّ‬
‫مبني يف ّ‬
‫غرض‪ ،‬وكما هو ٌّ‬
‫وفق اخلطو ِ‬
‫ات التّالية‪:‬‬
‫مترير مصفوفة التقييمات من طبقة التّعامل مع املعطيات إىل الطّبقة املسؤولة عن عمليّة العنقدة‪.‬‬
‫بكل‬
‫مترير مصفوفة التقييمات اجلديدة بعد إجراء عمليّة العنقدة عليها إىل الطّبقة املسؤولة عن اختيار اجلوار اخلاص ّ‬
‫عنقود‪.‬‬
‫الرتابط بني املستخدمني‪ ،،‬أو العناقيد إىل الوحدة املسؤولة عن هذه العمليّة‪.‬‬
‫الالزمة حلساب قيم ّ‬
‫‪ .3‬إرسال املعلومات ّ‬
‫الرتابط احملسوبة وفق أحد املقاييس املنتقاة (وهو ‪ Pearson‬يف حالتنا)‪.‬‬
‫‪ .4‬تعيد هذه الوحدة قيم ّ‬
‫لكل مستخدم‪/‬عنقود‪ ،‬والّذين حي ّققون أعلى قيم ترابط مع املستخدم‬
‫تقوم الوحدة املسؤولة عن اختيار أقرب 𝑘 جار ّ‬
‫‪ .5‬بعد أن ُ‬
‫يتم ختزين هذا اجلوار يف قاعدة املعطيات ليستخدم فيما بعد بعمليّة إنشاء التّوصيات‪.‬‬
‫احلايل‪ّ ،‬‬
‫‪/‬العنقود ّ‬
‫• مرحلة تشكيل التوصيات‪ :‬وتكون اخلطوات ضمن هذه املرحلة كالتّايل‪:‬‬
‫معني‪.‬‬
‫خاصة مبستخدم ّ‬
‫‪ .1‬يُطلب من النّظام تشكيل توصيات ّ‬
‫اخلاص به واألغراض‬
‫ّ‬ ‫الالزمة واملتعلّقة هبذا املستخدم من قاعدة املعطيات‪ ،‬كاجلوار‬
‫‪ .2‬يتم حتصيل املعلومات ّ‬
‫القابلة للتنبّؤ‪.‬‬
‫‪ .3‬يتم حتصيل هذه املعلومات وجتهيزها ضمن بىن املعطيات املناسبة للمرحلة التالية‪.‬‬
‫‪ .4‬يتم إرسال هذه املعلومات املتعلّقة جبوار املستخدم‪ ،‬واألغراض القابلة للتنبّؤ إىل الوحدة املسؤولة عن حساب‬
‫التنبّؤات‪.‬‬
‫السابقة وفق آليّات التنبّؤ املتّبعة يف النّظام‪ ،‬تعيد هذه الوحدة‬
‫‪ .5‬بعد أن جيري التنبّؤ بتقييم املستخدم لألغراض ّ‬
‫التنبّؤات احملسوبة إىل الوحدة املسؤولة عن التّوصية‪.‬‬
‫‪ .6‬جيري توصية املستخدم ابألغراض األكثر مالءمة له‪ ،‬واليت تنبّأ هلا النظام أبعلى التقييمات‪.‬‬

‫‪60‬‬
 ‫‪ 8.5‬بيئة العمل الربجمية‬
‫مت تنجيز النّظام وقاعدة املعطيات ببيئة عمل ‪.NET + SQL Server‬‬

‫‪:.NET framework‬‬

‫املنصة مدعومة من‬

‫منصة عمل ‪ IDE‬ممتازة )‪ ،(Visual Studio 2015‬حيث أ ّن هذه ّ‬
‫بقوهتا يف العمل وبوجود ّ‬
‫تتميّز‪ّ .NET‬‬
‫منصة‬
‫الشركة حنو تشغيل تطبيقات ‪ .NET‬على نظام لينوكس عن طريق دعم ّ‬
‫عمالق الربجميّات ‪ ،Microsoft‬حيث تتجهُ هذه ّ‬
‫منصة مفتوحة املصدر مبنيّة على بيئة عمل ‪ .NET‬حبيث تسمح للمطورين ببناء تطبيقات غري مرتبطة‬
‫‪ Mono‬الّيت هي عبارة عن ّ‬
‫مبنصة التّشغيل ‪ .cross-platform‬وابلتّايل فإ ّن املشكلة األساسيّة املرتبطة ببيئة عمل ‪ .NET‬والّيت تكمن أب ّّنا ال تعمل ّإال على‬
‫ّ‬
‫ق ْد متّ جتاوزها‪ ،‬ممّا جيعل هذه البيئة مناسبة متاماً لتنجيز هذا النّظام خصوصاً بقدرهتا الكبرية على اختصار أجزاء‬ ‫‪windows‬‬

‫كبرية من العمل الربجمي ببعض اإلجراءات والتّعليمات‪.‬‬

‫مسي ل‬
‫الر ّ‬
‫ويع ّد نظام إدارة قواعد البياانت ‪ SQL Server‬اخليار األكثر توافقاً مع بيئة ‪ .NET‬وهو اخليار املنصوح به عرب املوقع ّ‬
‫الشبكة العنكبوتيّة‪.‬‬
‫‪ Microsoft‬على ّ‬

‫‪61‬‬
‫‪ 6‬الفصل اخلامس‪ :‬اخلامتة واآلفاق املستقبلية‬

‫‪62‬‬
 ‫‪ 1.6‬اخلامتة‬
‫قمنا يف هذه األطروحة بدراسة أنظمة التوصية بنوعيها التقليدي وحيد املعيار ومتعددة املعايري‪ ،‬حيث انطلقنا من دراسة أنظمة‬
‫دعم القرار متعددة املعايري لنصل إىل دراسة أنظمة التوصية كأنظمة دعم قرار للمستخدمني‪ .‬قمنا بتطبيق إطار العمل املقرتح من‬
‫منهجية وإطار عمل تقوم على أربعة أعمدة أساسية‬ ‫‪Roy‬‬ ‫ضمن سياق نظم التوصية متعددة املعايري‪ .‬اقرتح‬ ‫‪[16] Roy‬‬ ‫قبل‬
‫وهي‪:‬‬

‫‪ -‬حتديد غرض القرار‪ :‬وهو ما يقابل املادة املقرتحة يف نظم التوصية‪.‬‬

‫وصفها ‪ Roy‬بوجوب تواجد ثالثة شروط أساسية يف وضعها‬
‫‪ -‬عائلة املعايري‪ :‬وهي اللبنة األساسية يف خوارزميتنا املقرتحة واليت ّ‬
‫وهي أن تكون هذه العائلة كاملة الرتتيب وشاملة وغري زائدة عن احلاجة‪.‬‬
‫‪ -‬منوذج التفضيل العام‪ :‬حيث اعتمدان على اتبع جتميع خطي ‪ Linear Aggregation Model‬يربط بني تقييمات املستخدمني‬
‫اإلفرادية لالنطالق إىل التقييم الكلي‪.‬‬
‫‪ -‬إجراء دعم القرار‪ :‬وهو ما يربط بني األعمدة الثالثة السابقة للوصول إىل خوارزمية أو طريقة موحدة وواضحة الختاذ القرار‬
‫متعدد املعايري‪.‬‬

‫لسلة املعايري ‪ "Criteria Chaining‬تقوم على فكرة ربط املعايري فيما بينها وتوقع التقييم‬
‫"س َ‬
‫قمنا ابقرتاح خوارزمية مسيناها بـ ـ ـ َ‬
‫الفردي ابستخدام التقييمات األخرى الفردية وتقييم املستخدم املتوقع على املعايري األخرى اليت تسبق التقييم اهلدف ضمن‬
‫الرتتيب املدروس للمعايري‪.‬‬

‫معيار)‪ ،‬مث احلصول على الرتتيب الذي‬ ‫𝑘‬ ‫تقوم اخلوارزمية بدراسة كافة الرتاتيب املمكنة للمعايري (واليت تشكل !𝑘 ترتيباً عند‬
‫يعطي اخلطأ األصغري ضمن عينة االختبار‪.‬‬

‫من الصعوابت اليت واجهتنا خالل هذا البحث فقر األحباث ضمن جمال أنظمة التوصية متعددة املعايري وحداثة هذا النوع من‬
‫األنظمة ضمن األدبيات العلمية‪ ،‬كما كان من الصعب أتمني جمموعة معطيات مفتوحة املصدر للعمل عليها يف هذا البحث‪.‬‬

‫‪63‬‬
 ‫‪ 2.6‬اآلفاق املستقبلية‬
‫تضمن العمل ضمن اخلوارزمية املقرتحة بعض الطرق التقليدية املدروسة سابقاً مثل الرتشيح التعاوين ومقياس ‪ Pearson‬حلساب‬
‫الرتابط‪.‬‬

‫ميكن العمل على اخلوارزمية املقرتحة ضمن طرق أخرى مثل الطرق اليت تعتمد على احملتوى ‪ Content Based‬ومقاييس ترابط‬
‫أخرى مثل ‪ Cosine Similarity‬و‪ Pearson‬املعدل الذي أيخذ بعني االعتبار التناقضات بني املستخدمني‪ ،‬كما ميكن تطبيق‬
‫بعض املقاييس اليت طرحت يف مشروع خترج للطالب جمد العكة ]‪ [63‬حتت إشرايف املباشر والذي مت طرحه ضمن سياق هذه‬
‫األطروحة للمساعدة ببعض األعمال فيها يف املعهد العايل للعلوم التطبيقية والتكنولوجيا‪.‬‬

‫ميكن أيضاً العمل على تطوير اخلوارزمية املقرتحة لتأخذ تفضيالت كل مستخدم على حدة‪ ،‬أي تشكيل ترتيب معايري خاص‬
‫بكل مستخدم بناءً على تفضيالته وطريقة تقييمه للمواد السابقة‪.‬‬

‫تفتقر األنظمة العاملية لنظم تقييم متعددة املعايري لصعوبة جتربة االستخدام الناجتة عنها مما يؤدي إىل عزوف املستخدمني عن‬
‫التقييم بشكل سهل‪ .‬لتاليف هذه املشكلة‪ ،‬ميكن العمل على حتليل النصوص املوجودة ضمن املراجعات النصية واستخراج امليزات‬
‫منها لتصبح هذه امليزات هي املعايري املدروسة يف خوارزميتنا‪.‬‬

‫‪64‬‬
 ‫‪ 7‬املالحق‬

‫‪65‬‬
 ‫‪ 1.7‬ملحق ‪ :1‬أنظمة التوصية وحيدة املعيار‬
‫‪ 1.1.7‬التوصية ابعتماد طريقة اجلوار‬
‫الشخص على رأي األشخاص املتوافقني‬ ‫تقوم أنظمة التّوصية املعتمدة على هذه الطريقة أبمتتة مبدأ نصيحة خبري‪ُ ،‬‬
‫حيث يعتمد ّ‬
‫معه‪ ،‬أو املصادر املوثوقة لتقييم غرض ما (فلم‪ ،‬كتاب‪ ،‬مقال‪ ،‬أو غريها‪ )...‬ولتوضيح ذلك نستعرض املثال التّايل‪:‬‬

‫وعمار ميلكان ال ّذوق‬ ‫ِ‬

‫يعلم هباء أنّه ّ‬
‫ليكن لدينا املستخدم هباء والذي يريد أن َحيسم قراره يف مشاهدة فيلم ”‪ “Titanic‬من عدمه‪ُ ،‬‬
‫فضالن ”‪ ،“Forrest- Gump‬لذا طلب‬ ‫ببغضهما لفيلم ”‪ ،“The Matrix‬ويُ ِّ‬
‫نفسه يف اختيار األفالم‪ ،‬حيث أ ّّنما يتّفقان ابلرأي ِ‬
‫ّ‬
‫وجد هباء أنّه وصديقه خالد ميلكان أذواقاً خمتلفة فيما يتعلق ابألفالم‪ ،‬حيث‬
‫نصيحته بشأن ”‪ .“Titanic‬ومن جهة أخرى‪َ ،‬‬
‫يبني اجلدول التّايل‬
‫يهتم لرأي صديقه أو أنّه أيخ ُذ بعكسه‪ّ .‬‬
‫يفضل خالد أفالم اإلاثرة وهو النوع الذي ال يفضله هباء‪ ،‬لذا هو ال ّ‬
‫تقييمات املستخدمني املذكورين أعالهُ لألفالم املطروحة‪:‬‬
‫اجلدول ‪ 2‬مثال لتقييم أربعة مستخدمني خلمسة أفالم‪.‬‬

‫‪The Matrix‬‬ ‫‪Titanic‬‬ ‫‪Die Hard‬‬ ‫‪Forrest Gump‬‬ ‫‪Wall-E‬‬

‫‪Majd‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪Ammar‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪5‬‬

‫‪Bahaa‬‬ ‫‪2‬‬ ‫?‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪4‬‬
‫‪Khaled‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬

‫‪ 2.1.7‬مميزات اعتماد طريقة اجلوار ‪Neighborhood Approach‬‬

‫متتاز هذه الطّريقة بقدرهتا على التقاط االرتباطات احملليّة يف البياانت ضمن النّظام‪ .‬حبيث يتم ّكن نظام توصية أفالم يعتمد هذه‬
‫ُ‬
‫قام أحد جوار هذا املستخدم بتقييمه تقييماً‬
‫االعتيادي للمستخدم‪ ،‬وذلك يف حال َ‬
‫ّ‬ ‫الطّريقة من توصية فيلم خيتلف عن ال ّذوق‬
‫جيّداً‪ .‬قد ال تضمن هذه التّوصية جناحاً أكيداً يف مالئمة ذوق املستخدم‪ ،‬ولكنّها تُساعد يف استكشاف أمناط جديدة‬
‫توس ُع نطاق تفضيالتِه‪ .‬ميكن تلخيص ميّزات هذه الطّريقة مبا يلي‪[62] :‬‬
‫للمستخدم ّ‬

‫البساطة‪ :‬تعترب هذه الطّريقة بديهيّة وسهلة التّنجيز‪ ،‬ففي أبسط أشكاهلا حتتاج فقط ملعايرة ُمعامل عدد اجلوار ّ‬
‫الالزم‬ ‫•‬
‫للتنبّؤ ابلتقييمات‪.‬‬
‫القدرة على التربير‪ :‬تق ّدم هذه الطّريقة تربيراً حدسيّاً وواضحاً للتقييم احملسوب‪ .‬فمثالً‪ ،‬ميكن تقدمي الئحة األغراض‬ ‫•‬
‫املشاهبة للغرض املتنبّأ بتقييمه مع تقييمات املستخدمني املختلفني هلذا الغرض كتربير للمستخدم عن سبب التوصية‬

‫‪66‬‬
‫يتيح للمستخدم حتديد اجلوار املناسب والّذي‬
‫املطروحة‪ ،‬والّذي من شأنه أن يش ّكل قاعدة لتشكيل نظام تفاعلي ُ‬
‫ميكن االعتماد عليه يف توصية أغراض جديدة‪.‬‬
‫‪model-‬‬ ‫الكفاءة‪ :‬ميتاز هذا النمط من األنظمة ابلكفاءة العالية‪ ،‬على العكس من األنظمة املعتمدة على النّماذج‬ ‫•‬
‫‪ based systems‬وهي األنظمة اليت تعتمد على بناء منوذج من املعطيات املوجودة حبيث يعتمد هذا النّموذج يف توصية‬
‫أغراض جديدة للمستخدمني‪ ،‬حيث أ ّن طريقة اجلوار ال تتطلّب مرحلة التدريب املكلّفة والواجب تكرارها خالل‬
‫يتم يف‬
‫جماالت زمنيّة حم ّددة‪ .‬ولكن تكون فيها مرحلة التّوصية أكثر كلفة من تلك األنظمة اليت تعتمد على النّموذج‪ّ .‬‬
‫هذه األنظمة إعادة حساب اجلوار القريب لكل مستخدم يف خطوة مستقلّة عن عمل النّظام‪ ،‬وعند االنتهاء من هذه‬
‫ويتم تقدمي التوصيات بشكل فوري دون إجراء حساابت اجلوار‬ ‫اخلطوة يتم اعتماد اجلوار اجلديد الّذي متّ حسابه‪ّ ،‬‬
‫فعاالً‬
‫يتم ختزين هذا اجلوار والذي حيتاج حلجوم صغرية من ال ّذاكرة‪ ،‬ممّا جيعل هذا النّمط ّ‬
‫أثناء عمليّة التّوصية‪ ،‬حيث ّ‬
‫تضم ماليني املستخدمني واألغراض‪.‬‬
‫يف التّطبيقات الّيت ّ‬
‫املستمرة للمستخدمني‬
‫ّ‬ ‫االستقرار‪ :‬متتاز أنظمة التّوصية اليت تعتمد طريقة اجلوار ابستقرارها وأتثّرها الطّفيف ّ‬
‫ابلزايدة‬ ‫•‬
‫واألغراض والتقييمات‪ ،‬وهو األمر الذي ميكن مالحظته يف التّطبيقات التّجاريّة الكبرية‪ .‬فعلى سبيل املثال‪ ،‬يف األنظمة‬
‫اليت تعتمد على الغرض يف التّوصية‪ ،‬وحاملا متّ حساب التّشابه بني األغراض‪ ،‬ميكن للنظام توصية أغراض للمستخدمني‬
‫يتم تقييم غرض جديد ضمن النّظام‪ ،‬حنتاج فقط حلساب‬
‫اجلدد دون احلاجة إلعادة حساب التّشابه‪ ،‬وكذلك عندما ّ‬
‫التّشابه بني الغرض اجلديد واألغراض املوجودة ضمن النّظام مسبقاً‪.‬‬

‫‪ 3.1.7‬التنبؤ ابلتقييم اعتماداً على املستخدم‬

‫𝑢‬ ‫تتنبّأ أنظمة توصية اجلوار اعتماداً على املستخدم ‪ User-based neighborhood recommenders‬ابلتقييم 𝑖𝑢𝑟 للمستخدم‬
‫من أجل غرض 𝑖 ابستخدام التقييمات املختلفة للمستخدمني املشاهبني ل 𝑢 واملتعلقة ابلغرض 𝑖‪ .‬لنفرتض أنّنا منلك لكل‬
‫مستخدم 𝑢 ≠ 𝑣 قيمة 𝑣𝑢𝑤 متثل نسبة التّشابه بني املستخدمني 𝑢 و 𝑣‪ .‬ولتكن )𝑢(𝒩 متثّل 𝑘 أقرب جار (مستخدم)‬
‫للمستخدم 𝑢‪ ،‬وهم املستخدمني أصحاب أكرب نسب التّشابه مع املستخدم 𝑢‪ ،‬آخذين بعني االعتبار أنّه فقط املستخدمني‬
‫والذين قيّموا‬ ‫𝑢‬ ‫أقرب مستخدم ل‬
‫الذين قيّموا الغرض 𝑖 هم الذين يدخلون يف التنبّؤ بقيمة 𝑖𝑢𝑟‪ ،‬وابلتايل تكون جمموعة‬
‫𝑘‬

‫متوسط التقييمات اليت حصل عليها الغرض 𝑖 من جمموعة‬

‫الغرض 𝑖 هي اجملموعة )𝑢( 𝑖𝒩‪ .‬ميكن تقدير قيمة 𝑖𝑢𝑟 على أ ّّنا ّ‬
‫السابقة ]‪:[62‬‬
‫اجلوار ّ‬

‫‪1‬‬
‫= 𝑖𝑢̂𝑟‬ ‫𝑖𝑣𝑟 ∑‬ ‫‪Eq29‬‬
‫|)𝑢( 𝑖𝒩|‬
‫)𝑢( 𝑖𝒩∈𝑣‬
‫‪67‬‬
‫السابقة أب ّّنا ال أتخذ يف عني االعتبار اختالف نسب التّشابه بني املستخدم احلايل مع اجلوار املتعلّق‬
‫تكمن املشكلة يف املعادلة ّ‬
‫كل من عمار وخالد ينتمون إىل اجلوار القريب من هباء‪ ،‬سيكون‬
‫السابق يف اجلدول ‪ 1‬وابعتبار أ ّن ّ‬
‫به‪ ،‬فمثالً ابلعودة للمثال ّ‬
‫كل منهما ابلتساوي للتنبّؤ بتقييم هباء لفلم ‪ ،Titanic‬حيث أ ّن ذوق عمار أكثر تشاهباً مع هباء‬
‫من غري املنطقي اعتبار تقييم ّ‬
‫كل جار يدخل يف حساب التنبّؤ وزن خاص به وهو نسبة تشابه هذا املستخدم‬
‫من ذوق خالد‪ .‬لذا من املمكن أن نضيف إىل ّ‬
‫و 𝑣‪ .‬وابلتايل سيكون شكل املعادلة ]‪:[62‬‬ ‫𝑢‬ ‫مع املستخدم احلايل وليكن 𝑣𝑢𝑤 هو وزن التّشابه بني املستخدمني‬
‫𝑖𝑣𝑟 𝑣𝑢𝑤 )𝑢(𝑖𝒩∈𝑣∑‬
‫= 𝑖𝑢̂𝑟‬ ‫‪Eq30‬‬
‫| 𝑣𝑢𝑤|)𝑢(𝑖𝒩∈𝑣∑‬
‫ابلرتشيح التّعاوينّ ابعتماد طريقة اجلوار‪ ،‬حيث تق ّدم ‪ GroupLens‬توصيات ابملقاالت‬
‫اقرتحت جمموعة ‪ GroupLens‬نظام توصية ّ‬
‫اإلخباريّة للمستخدمني‪ ،‬وقد استخدمت يف نظامها طريقة ‪ Pearson correlation‬حلساب أوزان التّشابه بني املستخدمني ‪-‬‬
‫سنستعرض هذ املقياس يف الفقرة ‪ ،-4.3.2‬واعتمدت للتنبّؤ بتقييم مستخدم 𝑢 لغرض 𝑖 املعادلة التّالية ]‪:[62‬‬
‫) 𝑣̅𝑟 ‪∑𝑣∈𝒩𝑖(𝑢) 𝑤𝑢𝑣 (𝑟𝑣𝑖 −‬‬
‫‪𝑟̂𝑢𝑖 = 𝑟̅𝑢 +‬‬ ‫‪Eq31‬‬
‫| 𝑣𝑢𝑤|)𝑢(𝑖𝒩∈𝑣∑‬
‫األهم يف هذه العالقة هي معاجلتها مشكلة أ ّن املستخدمني عادة ما‬
‫متوسط تقييمات املستخدم 𝑣‪ ،‬إن اإلضافة ّ‬
‫حيث 𝑣̅𝑟 هي ّ‬
‫أقل تقييم‬
‫يستفيدون من سلّم التقييمات بطرق خمتلفة‪ ،‬فمثالً يف سلّم تقييم ]‪ [1,5‬قد يكون أعلى تقييم ملستخدم ما هو ‪ 3‬و ّ‬
‫‪ّ ،1‬أما ابلنّسبة ملستخدم آخر فقد يكون األمر معاكس حبيث أنّه يعطي أفضل تقييم ‪ 5‬واألسوء ‪ ،3‬وبذلك يف حال أردان‬
‫متوسط‬
‫منصوح به ألن تقييمه ينحرف عن ّ‬
‫ٌ‬ ‫األول ابلنّسبة لغرض قيّمه بتقييم ‪ 3‬سنجد أ ّن هذا الغرض‬
‫األخذ برأي املستخدم ّ‬
‫ابالجتاه املوجب‪ّ ،‬أما ابلنّسبة للمستخدم الثّاين والّذي قيّم نفس الغرض بنفس التقييم فسنجد أ ّن هذا الغرض غري‬
‫املستخدم ّ‬
‫متوسط احنرافات اجلوار عن‬
‫احلل أبخذ ّ‬
‫متوسط املستخدم‪ .‬ويكون ّ‬
‫السالب عن ّ‬
‫ابالجتاه ّ‬
‫منصوح به‪ ،‬وذلك أل ّن تقييمه ينحرف ّ‬
‫تعرب 𝑣𝑢𝑤‬
‫متوسط تقييمات املستخدم احلايل للتنبّؤ بتقييمه للغرض املراد‪ّ .‬‬
‫متوسط تقييماهتم‪ ،‬ومن مثّ إضافة هذا االحنراف إىل ّ‬
‫الرتابط (التّشابه) بني املستخدمني 𝑢 و 𝑣 كما مت تشري إليها عالقة ‪[64] :Pearson correlation‬‬
‫عن وزن ّ‬
‫) 𝑣̅𝑟 ‪∑𝑘𝑖=1(𝑟𝑢𝑖 − 𝑟̅𝑢 ) (𝑟𝑣𝑖 −‬‬
‫= 𝑣𝑢𝑤‬
‫‪Eq32‬‬
‫‪√∑𝑘𝑖=1(𝑟𝑢𝑖 − 𝑟̅𝑢 )2 ∑𝑘𝑖=1(𝑟𝑣𝑖 − 𝑟̅𝑣 )2‬‬

‫‪68‬‬
‫متوسط تقييمات املستخدم 𝑢‪ ،‬و 𝑖𝑢𝑟 هي‬
‫السابقة عدد األغراض املشرتكة بني املستخدمني 𝑣 ‪ 𝑟̅𝑢 ،𝑢,‬هي ّ‬
‫متثّل 𝑘 يف املعادلة ّ‬
‫الرتابط اإلجيايب‬
‫الرتابط تنتمي للمجال ]‪ ،[−1, 1‬سواءً ّ‬
‫السابقة أ ّن قيمة وزن ّ‬
‫تقييم املستخدم 𝑢 للغرض 𝑖 ويالحظ من العالقة ّ‬
‫السليب‪.‬‬
‫أو ّ‬

‫‪ 4.1.7‬حساب الرتابط‬
‫الرتابط بني مستخدمني أو غرضني‪ ،‬ونستعرض فيما يلي أبرز هذه املقاييس‪:‬‬
‫متّ اعتماد العديد من املقاييس حلساب ّ‬
‫‪Cosine Similarity .1‬‬

‫بشعاع‬ ‫𝑢‬ ‫الرتابط بني مستخدمني 𝑣 ‪ 𝑢,‬بتمثيل املستخدم‬

‫يتم حساب ّ‬
‫الرتابط بني غرضني أو مستخدمني‪ ،‬حيث ّ‬
‫مقياس حلساب ّ‬
‫الرتابط بني 𝑣 و 𝑢 وفق العالقة التّالية ]‪:[62‬‬
‫𝑢𝑥‪ ،‬واملستخدم 𝑣 بشعاع 𝑣𝑥‪ ،‬وابلتّايل ميكن حساب ّ‬
‫𝑣𝑥 𝑢𝑥‬
‫= ) 𝑣𝑥 ‪cos(𝑥𝑢 ,‬‬
‫‖ 𝑣𝑥‖ ‖ 𝑢𝑥‖‬
‫𝑖𝑣𝑟 𝑖𝑢𝑟 𝑣𝑢‪∑𝑖∈Ι‬‬
‫= ) 𝑣𝑥 ‪𝐶𝑉(𝑢, 𝑣) = cos(𝑥𝑢 ,‬‬
‫‪Eq33‬‬
‫‪√∑𝑖∈Ι𝑢 𝑟𝑢𝑖 2 ∑𝑗∈Ι𝑣 𝑟𝑣𝑗 2‬‬

‫حيث متثّل 𝑣𝑢‪ Ι‬جمموعة األغراض املشرتكة بني املستخدمني 𝑣 ‪ ،𝑢,‬بينما متثّل 𝑢‪ Ι‬جمموعة األغراض اليت قام املستخدم 𝑢 بتقييمها‪،‬‬
‫الرتابط بني غرضني‪.‬‬
‫وبنفس الطريقة ميكن حساب ّ‬
‫متوسط وتباين التقييمات لكل من 𝑣 ‪.𝑢,‬‬
‫يعاين هذا املقياس من مشكلة ّ‬
‫‪Pearson Correlation .2‬‬

‫الرتابط بني مستخدمني أو غرضني‪ ،‬حيث مي ّكننا هذا املقياس من التخلّص من‬
‫يعترب من أشهر املقاييس املستخدمة يف حساب ّ‬
‫كثري من املشاكل‪ ،‬كحالة مستخدمان يقيّمان األغراض ضمن النّظام وفق سلّمني خمتلفني‪ ،‬فمثالً ليكن لدينا مستخدم 𝑢 ضمن‬
‫نظام ذو سلّم تقييم ]‪ ،[1,10‬ولكن 𝑢 يستخدم اجملال ]‪ [4,7‬فقط‪ ،‬حبيث يكون أفضل تقييم يعطيه هو ‪ 7‬واألسوأ ‪ ،4‬وليكن‬
‫املستخدم 𝑣 يقيّم األغراض ضمن اجملال من ]‪ ،[7,10‬حبيث أفضل تقييم لديه هو ‪ 10‬واألسوأ هو ‪ ،7‬وابلتايل قد يتّفق هذان‬
‫لكن لن نكون قادرين على مالحظة هذا االتّفاق نتيجة اختالف‬
‫املستخدمان ابلرأي على جمموعة األغراض املشرتكة بينهما‪ ،‬و ْ‬
‫كل منهما‪ ،‬كحال املعهد العايل للعلوم التطبيقيّة والتكنولوجيا‪ ،‬مع ابقي جامعات القطر‪ ،‬حيث أ ّن تقييم ‪%80‬‬
‫سلّم تقييم ّ‬
‫لكن من وجهة نظر أخرى فإن كال املؤسستني‬
‫لطالب يف املعهد العايل قد يكافئ ‪ %90‬لنفس الطّالب يف جامعة دمشق‪ ،‬و ْ‬
‫متفوق‪ .‬وابلتايل ال َّ‬
‫بد من اكتشاف هكذا عالقات يف املعطيات املوجودة ضمن النّظام‪.‬‬ ‫تتفقان على أ ّن هذا الطّالب هو طالب ّ‬

‫‪69‬‬
 ‫) 𝑣̅𝑟 ‪∑𝑘𝑖=1(𝑟𝑢𝑖 − 𝑟̅𝑢 ) (𝑟𝑣𝑖 −‬‬
‫= 𝑣𝑢𝑤‬
‫‪Eq34‬‬
‫‪√∑𝑘𝑖=1(𝑟𝑢𝑖 − 𝑟̅𝑢 )2 ∑𝑘𝑖=1(𝑟𝑣𝑖 − 𝑟̅𝑣 )2‬‬

‫السابقة أ ّن قيمة وزن التّشابه‬

‫الحظ من العالقة ّ‬
‫السابقة عدد األغراض املشرتكة بني املستخدمني 𝑣 ‪ ،𝑢,‬ويُ َ‬
‫متثّل 𝑘 يف املعادلة ّ‬
‫السليب‪.‬‬
‫الرتابط اإلجيايب أو ّ‬
‫الرتابط بني املستخدمني‪ ،‬سواءً ّ‬
‫يعرب عن ّ‬
‫السابق ّ‬
‫تنتمي للمجال ]‪ ،[−1, 1‬حيث أ ّن الوزن ّ‬
‫العكسي فمثالً لو كان لدينا مستخدمني بينهما‬ ‫كما أ ّن الرتابط السالب بني مستخدمني ميكن االستفادة منه يف التنبُّؤ ابالجتاهِ‬
‫ّ‬ ‫ْ‬ ‫ّ‬ ‫ّ‬
‫الرتابط يف التنبّؤ ألحدمها بتقييمات تعاكس اآلخر‪.‬‬
‫قوي‪ ،‬فيُمكننا االعتماد على هذا ّ‬
‫ترابط عكسي ّ‬
‫الرتابط بني غرضني من النّظام 𝑗 ‪ 𝑖,‬ولكن هذه املرة مبقارنة تقييمات املستخدمني اللذين‬
‫ميكن استخدام نفس الفكرة يف حساب ّ‬
‫كل من هذين الغرضني وفق العالقة التاليّة ]‪:[64‬‬
‫قاموا بتقييم ّ‬
‫)̅𝑟 ‪∑𝑘𝑢=1(𝑟𝑢𝑖 −‬‬
‫𝑟 ‪𝑖 (𝑟𝑢𝑗 −‬‬
‫)̅‬
‫𝑗‬
‫= 𝑗𝑖𝑤‬
‫‪2‬‬ ‫‪Eq35‬‬
‫)̅𝑟 ‪√∑𝑘𝑢=1(𝑟𝑢𝑖 −‬‬‫𝑘 ‪2‬‬
‫𝑟 ‪𝑖 ∑𝑖=1(𝑟𝑢𝑗 −‬‬
‫)̅‬
‫𝑗‬

‫للغرض 𝑖‪،‬‬ ‫𝑢‬ ‫تقييم املستخدم‬ ‫𝑗 ‪𝑟𝑢𝑖 ،𝑖,‬‬ ‫السابقة عدد املستخدمني الّذين قاموا بتقييم كل من الغرضني‬
‫متثّل 𝑘 يف املعادلة ّ‬
‫متوسط تقييمات الغرض 𝑖‪.‬‬
‫و𝑖̅𝑟 ّ‬

‫‪70‬‬
 ‫‪Adjusted Cosine .3‬‬

‫تتمحور الفكرة األساسيّة حول أنّه غالباً ما يكون التّباين مبقاييس تقييم األشخاص أكرب من التّباين يف مقاييس التقييمات الّيت‬
‫السيّئة‬
‫أي أ ّن األغراض اجليّدة غالياً ما حتصل على تقييمات عالية من أغلب املستخدمني‪ ،‬واألغراض ّ‬ ‫حتصل عليها األغراض‪ّ ،‬‬
‫ليس ابلكبري مقارنةً‬ ‫ِ‬ ‫ٍ‬
‫حتصل على تقييمات منخفضة‪ ،‬وابلتّايل سيكون التّباين يف التقييمات ابلنّسبة لغرض من هذه األغراض َ‬
‫ابلتباين يف تقييمات املستخدم‪ ،‬إ ْذ أ ّن الطّيف الواسع من األغراض املختلفة يف ِ‬
‫جودهتا ينتج عنه تباين يف تقييم املستخدم الواحد‬
‫ملتوسط تقييمات املستخدمني‪،‬‬
‫هلذه األغراض‪ .‬وعليه أثناء حساب تشابه األغراض سيكون من األجدر مقارنة التقييمات ابلنسبة ّ‬
‫‪Pearson‬‬ ‫بدالً من اعتبارها ابلنّسبة لتقييمات األغراض وهو احلال يف املقياس ‪ .Pearson‬يعترب هذا املقياس تعديالً للمقياس‬
‫‪.Item Similarity‬‬
‫) 𝑢̅𝑟 ‪∑𝑘𝑢=1(𝑟𝑢𝑖 − 𝑟̅𝑢 ) (𝑟𝑢𝑗 −‬‬
‫= 𝑗𝑖𝑤‬
‫‪2‬‬ ‫‪Eq36‬‬
‫) 𝑢̅𝑟 ‪√∑𝑘𝑢=1(𝑟𝑢𝑖 − 𝑟̅𝑢 )2 ∑𝑘𝑖=1(𝑟𝑢𝑗 −‬‬

‫للغرض 𝑖‪،‬‬ ‫𝑢‬ ‫تقييم املستخدم‬ ‫𝑗 ‪𝑟𝑢𝑖 ،𝑖,‬‬

‫السابقة عدد املستخدمني الّذين قاموا بتقييم ٍّ‬
‫كل من الغرضني‬ ‫ُمتثّل 𝑘 يف املعادلة ّ‬
‫متوسط تقييمات املستخدم 𝑢‪.‬‬
‫و 𝑢̅𝑟 ّ‬
‫‪Frequency-Weighted Pearson Correlation .4‬‬

‫أن تقييمات مستخدمني اثنني على األغراض املتّفق عليها من قبل اجلمهور‪ ،‬غالباً‬ ‫تكمن الفكرة األساسيّة وراءَ هذا املقياس يف َّ‬
‫ُ‬
‫الرتابط بني هذين املستخدمني‪ ،‬فمثالً يتّفق النّاس عامةً على حمبّة فلم ‪ ،Titanic‬وابلتّايل فلو َّ‬
‫أن‬ ‫ما تكون غري مفيدة يف حتديد ّ‬
‫مستخدمني اثنني قاما بتقييم هذا الفلم تقييماً عالياً‪ ،‬فال ميكننا استنتاج َّ‬
‫أن هذين املستخدمني متشاهبان‪ ،‬إذ أذ أ ّن حمبّة هذا‬
‫الفلم هي أمر متّفق عليه‪ ،‬بينما لو اتّفق مستخدمان على تقييم ‪ Saw‬تقييماً عالياً‪ ،‬فيمكن من خالله استنتاج أ ّن هذين‬
‫الرعب وابلتّايل هناك ترابط يف مكان ما بني هذين املستخدمني‪ .‬وابملثل‪ ،‬فإ ّن املستخدم الّذي دائماً‬
‫املستخدمني حمبّان ألفالم ّ‬
‫أقل فائدة تنبّؤيّة من‬
‫ي دائماً ما يعطي تقييمات عاليّة جداً لألغراض‪ ،‬أو ابلعكس‪ ،‬سيكون ّ‬
‫ما يقيّم األغراض ابالجتاه نفسه‪ ،‬أ ّ‬
‫ذلك املستخدم الّذي غالباً ما ختتلف تقييماته من غرض آلخر‪.‬‬

‫‪Inverse Document Frequency‬‬ ‫مشتق من مفهوم‬

‫سمى املنهج الّذي يتناول هذه القضيّة ‪ ،Inverse User Frequency‬وهو ٌّ‬
‫يُ ّ‬
‫)‪ ،(IDF‬واملستخدم يف جمال اسرتجاع املعلومات‪ ،‬حيث يتم إضافة وزن 𝑖𝜆 لكل غرض 𝑖‪ ،‬وهو لوغاريتم نسبة عدد املستخدمني‬
‫يف النّظام إىل ِ‬
‫عدد املستخدمني الّذين قاموا بتقييم الغرض 𝑖‪.‬‬
‫|𝑈|‬
‫‪𝜆𝑖 = log‬‬
‫| 𝑖𝑈|‬

‫‪71‬‬
 ‫الرتابط بني مستخدمني تستخدم العالقة التّالية ]‪:[62‬‬
‫وعند حساب ّ‬
‫) 𝑣̅𝑟 ‪∑𝑘𝑖=1 𝜆𝑖 (𝑟𝑢𝑖 − 𝑟̅𝑢 ) (𝑟𝑣𝑖 −‬‬
‫= 𝑣𝑢𝑤‬
‫‪Eq37‬‬
‫‪√∑𝑘𝑖=1 𝜆𝑖 (𝑟𝑢𝑖 − 𝑟̅𝑢 )2 ∑𝑘𝑖=1 𝜆𝑖 (𝑟𝑣𝑖 − 𝑟̅𝑣 )2‬‬

‫الرتابط بني غرضني من النّظام‪.‬‬

‫السابقة حلساب ّ‬
‫وابلطّريقة نفسها ميكن استخدام العالقة ّ‬

‫‪ 5.1.7‬مصداقية أوزان الرتابط‬

‫عادةً ما يتم حساب أوزان الرتابط بناء على ٍ‬
‫عدد قليل من التقييمات املشرتكة لألغراض بني املستخدمني‪ ،‬بسبب ضآلة عدد‬ ‫ً‬ ‫ّ‬ ‫ّ‬
‫التقييمات الّيت يقوم هبا املستخدمون لألغراض املوجودة ضمن النّظام مقارنةً ِ‬
‫بعدد املستخدمني وعدد األغراض‪.‬‬

‫مكون من ‪ 10,000‬تقييم من قبل ‪ 1,000‬مستخدم ل ‪ 100‬غرض‪،‬‬ ‫فليكن لدينا نظام ّ‬

‫ْ‬ ‫وحبسب املثال الوارد يف ]‪:[62‬‬
‫مشرتك و ٍ‬
‫احد‬ ‫ٍ‬ ‫توزع منتظم هلذه التقييمات‪ ،‬عندها ستكون حساابت التّشابه بني املستخدمني قائمة على تقييم ٍ‬
‫لغرض‬ ‫وابفرتاض ّ‬
‫وسطي‪ .‬فإذا كانت هذه التقييمات املشرتكة القليلة بني مستخدمني متساوية ابلقيمة‪ ،‬عندها سيعترب هذا املستخدمان‬ ‫ٍ‬
‫بشكل‬
‫ّ‬
‫سيؤدي ذلك إىل توصيات ضعيفة غري مناسبة‪.‬‬ ‫بشكل ٍ‬
‫كامل‪ .‬وابلتّايل إذا كانت أذواق املستخدمني متناقضة حقيقةً‪ّ ،‬‬ ‫ٍ‬ ‫متشاهبني‬

‫السابقة حول ختفيض وزن نسبة التّشابه بني مستخدمني عندما تكون هذه النسبة‬ ‫تتمحور احللول املقرتحة لتجاوز املشكلة ّ‬
‫عدد ٍ‬
‫قليل من التقييمات املشرتكة‪ .‬وكان من احللول املقرتحة وفقاً ل ]‪ [62‬تصغري هذا الوزن بنسبة تتعلّق بعدد‬ ‫حمسوبة بناء على ٍ‬
‫ً‬
‫األغراض املشرتكة بني املستخدمني يف حال كان هذا العدد أصغر من عتبة معيّنة ‪:γ > 0‬‬
‫}‪min{|𝐼𝑢𝑣 | , γ‬‬
‫= 𝑣𝑢́𝑤‬ ‫𝑣𝑢𝑤 ×‬ ‫‪Eq38‬‬
‫‪γ‬‬
‫يتم ضرب وزن التّشابه بنسبة عدد األفالم املشرتكة إىل عتبة حم ّددة‪ ،‬ويف حال جتاوز عدد األفالم‬
‫السابقة فإنّه ّ‬
‫بناءً على املعادلة ّ‬
‫يتم احتساب الوزن األصلي دون تصغريه‪ ،‬وحبسب ]‪ [62‬فإ ّن اختيار ≥ ‪γ‬‬
‫املشرتكة يف حساب هذا الوزن العتبة احملددة‪ ،‬عندها ّ‬
‫أعطت أفضل نتيجة‪ ،‬و ٍ‬
‫بشكل عام فإ ّن قيمة هذا املعامل ترتبط ابلبياانت‬ ‫ْ‬ ‫كفيل بتحسني دقّة نظام التّوصية‪ ،‬وأ ّن القيمة ‪50‬‬
‫‪ٌ 25‬‬
‫بشكل مستقل من ٍ‬
‫نظام آلخر‪.‬‬ ‫ٍ‬ ‫املدروسة وميكن حتديدها‬
‫ّ‬

‫‪72‬‬
 ‫‪ 6.1.7‬اختيار اجلوار‬
‫(الرتشيح التّعاوينّ ابعتماد املستخدم أو ابعتماد الغرض)‪ ،‬ابإلضافة‬
‫كل غرض ّ‬
‫بكل مستخدم أو ّ‬
‫يؤثّر اختيار عدد اجلوار اخلاص ّ‬
‫يتم اختيار اجلوار الّذي يستخدم يف توصية األغراض عادة من‬
‫حمرك التّوصيّة‪ ،‬حيث ّ‬
‫إىل طريقة اختيار هذا اجلوار على جودة ّ‬
‫خالل مرحلتني‪:‬‬

‫‪ -1‬ترشيح مسبق للجوار يبقي فقط على املر ّشحني األكثر قُرابً‪.‬‬
‫يتم فيها اختيار أفضل املر ّشحني هلذا التنبّؤ‪.‬‬
‫‪ -2‬مرحلة التنبّؤ والّيت ّ‬
‫‪ 1.6.1.7‬الرتشيح املسبق للجوار‬
‫وخاصةً يف‬
‫ّ‬ ‫وذلك نظراً حملدوديّة التّخزين‬
‫كل زوج من املستخدمني أو األغراض‪َ ،‬‬
‫عادةً ما يستحيل ختزين كل أوزان التّشابه بني ّ‬
‫مربر لوحدات‬
‫يعترب هدر غري ّ‬
‫كل هذه القيمة ُ‬
‫تضم ماليني املستخدمني واألغراض‪ ،‬كما أ ّن ختزين ّ‬
‫أنظمة التّوصية الكبرية والّيت ّ‬
‫روري إجراء ترشيح مسبق للجوار‬
‫الض ّ‬‫يتم استخدام اجلوار األكثر قرابً فقط عند التنبّؤ ابلتقييمات‪ .‬وعليه فمن ّ‬
‫التّخزين‪ ،‬حيث أنّه ّ‬
‫لتصبح طريقة اعتماد اجلوار قابلة للتطبيق من خالل تقليل عدد أوزان التشابه املراد ختزينها‪ ،‬وحتديد عدد اجلوار املر ّشح استخدامه‬
‫]‪[62‬‬ ‫الرتشيح املسبق بعدة طرق‪:‬‬
‫يف التنبّؤ ابلتقييمات‪ .‬وميكن تنفيذ هذا ّ‬
‫لكل‬
‫لكل مستخدم أو غرض مع األوزان املوافقة ّ‬ ‫تضم 𝑛 أقرب جار ّ‬ ‫ترشيح أعلى 𝒏 جار‪ :‬يتم االحتفاظ بالئحة ّ‬ ‫•‬

‫منهم‪ .‬ولتفادي املشاكل املتعلّقة ابلفعاليّة والدقّة جيب اختيار قيمة 𝑛 بدقّة‪ ،‬فباختيار 𝑛 كبرية جداً سيتطلّب ذلك‬
‫حجم كبري من ال ّذاكرة لتخزين لوائح اجلوار‪ ،‬كما أ ّن عمليّة التنبّؤ ابلتقييمات ستكون بطيئة‪ .‬ابملقابل فإ ّن اختيار قيم‬
‫يتم توصية بعض األغراض‬
‫أبال ّ‬
‫اخلاصة بنظام التّوصية والّذي سيسبّب ّ‬
‫يؤدي إىل نقص يف التّغطية ّ‬
‫صغرية جداً لـ 𝑛 ق ْد ّ‬
‫أبداً‪.‬‬
‫الرتشيح ابلتعتيب‪ :‬تعتمد هذه الطريقة على االحتفاظ بكافة اجلوار الّذين تتجاوز أوزان تشاهبهم عتبة حم ّددة 𝑛𝑖𝑚𝑤‪،‬‬ ‫•‬

‫لكل مستخدم أو غرض‪ ،‬وبينما تعترب هذه الطريقة أكثر من سابقتها‬ ‫ٍ ٍ‬

‫وذلك بدالً من االحتفاظ بعدد اثبت من اجلوار ّ‬
‫الصعبة‪.‬‬
‫ّإال أ ّن اختيار قيمة مناسبة للعتبة يعترب من املسائل ّ‬
‫السالبة‪ .‬فحدسيّاً‪ ،‬يعود ذلك إىل أ ّن‬ ‫ترشيح القيم السالبة‪ :‬عموماً تكون أوزان ّ‬
‫الرتابط املوجبة أكثر وثوقيّة من تلك ّ‬ ‫•‬

‫الرتابط املوجبة القويّة بني مستخدمني تكون مؤ ّشر جيّد على انتماء هذين املستخدمني إىل جمموعة مشرتكة‬ ‫أوزان ّ‬
‫السالبة على انتماء املستخدمني إىل جمموعتني خمتلفتني‪ ،‬فإ ّّنا ال‬
‫تدل القيم ّ‬
‫(مراهقني‪ ،‬حم ّيب اخليال العلمي‪ ،)...‬وبينما ّ‬
‫معني من األغراض‪.‬‬
‫تعطي أي معلومة عن مدى اختالف اجملموعتني‪ ،‬أو عن كون هاتني اجملموعتني تتناسبان مع صنف ّ‬
‫وقد ّبني الدراسات التجريبيّة أ ّن اعتبار القيم ال ّسالبة لالرتباطات مل يعطي أي حتسني يف الدقّة‪.‬‬
‫‪73‬‬
 ‫‪ 2.6.1.7‬اجلوار يف التنبؤات‬
‫جار‪ ،‬وهم‬ ‫𝑘‬ ‫يتم التنبّؤ بتقييم جديد اعتماداً على أقرب‬
‫اخلاصة بكل مستخدم أو غرض‪ّ ،‬‬
‫بعد احلصول على الئحة اجلوار ّ‬
‫األهم هنا وهي حتديد قيمة مناسبة لـ 𝑘‪.‬‬
‫أصحاب أعلى أوزان تشابه مع املستخدم أو الغرض احلايل‪ ،‬وتبقى املسألة ّ‬
‫مقعر‪ ،‬مبعىن آخر عند اختيار‬
‫بيّنت الدراسات والتّجارب ]‪ [62‬أ ّن املنحين البياينّ لدقّة التنبّؤات ابلنسبة لقيم 𝑘 املختارة له شكل ّ‬
‫مثال ‪ ،𝑘 < 20‬غالباً ما تكون دقّة التنبّؤات ضعيفة‪ ،‬ومع زايدة قيم 𝑘‪ ،‬يزداد عدد اجلوار املساهم يف التنبّؤات‬ ‫𝑘‬ ‫قيم صغرية لـ‬
‫تبني أ ّن زايدة عدد اجلوار املستخدم‬
‫بكل مستخدم وزايدة دقّة التنبّؤات‪ .‬أخرياً فق ْد ّ‬
‫اخلاص ّ‬
‫ّ‬ ‫وابلتّايل ُميكن التّخلّص من التّباين‬
‫يف التنبّؤ يؤثّر سلباً على دقّة النّظام مثالً ‪ ،𝑘 > 50‬وذلك نظراً حلقيقة أ ّن العالقات القويّة لبعض اجلوار تفقد ّقوهتا نظراً إلدخال‬
‫‪cross-‬‬ ‫الضعيف مع املستخدم أو العنصر‪ ،‬ويبقى أ ّن حتديد القيمة املثلى لـ 𝑘 يكون ابلتّجريب‬
‫الكثري من اجلوار ذو االرتباط ّ‬
‫‪ ،validation‬واختيار القيمة األمثل وفق البياانت الّيت يتعامل معها النّظام‪.‬‬

‫‪ 7.1.7‬عنقدة املستخدمني واألغراض‬

‫يصعب عادة اكتشاف التّشابه بني املستخدمني واألغراض‪ ،‬كوننا ال منلك الكثري من املعلومات عن األزواج مستخدم‪-‬غرض‬
‫وذلك نظراً لقلّة التقييمات من قبل املستخدمني وتبعثرها‪ ،‬إ ْذ ميكن أن جند غرضني ينتميان للنوع ذاته (فلمني من النمط‬
‫ملستخدمني‬
‫َ‬ ‫قام بشراء هذين الغرضني أو تقييمهما معاً‪ .‬كما ميكن أن يكون‬
‫أي مستخدم َ‬
‫الكوميدي) دون أن يكون هناك ّ‬
‫أبي من األغراض الّيت قاموا بشرائها أو تقييمها‪.‬‬
‫ال ّذوق نفسه دون أن يشرتكا ّ‬
‫اقرتح ]‪ [65‬طريقة للتعامل مع هذه اإلشكاليّة (القيم الفارغة يف مصفوفة املستخدمني واألغراض)‪ ،‬وهي عنقدة األغراض أو‬
‫املستخدمني أو كليهما معاً‪ ،‬وذلك ابستخدام مقاييس التّشابه مثل ‪.Cosine Similarity‬‬

‫فليكن لدينا املثال التّايل والّذي يستعرض تقييمات بعض املستخدمني جملموعة من األفالم‪:‬‬
‫اجلدول ‪ 3‬تقييم جمموعة من املستخدمني جملموعة من األفالم‪.‬‬

‫‪HP1‬‬ ‫‪HP2‬‬ ‫‪HP3‬‬ ‫‪TW‬‬ ‫‪SW1‬‬ ‫‪SW2‬‬ ‫‪SW3‬‬

‫‪A‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪1‬‬

‫‪B‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬

‫‪C‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬

‫‪D‬‬ ‫‪2‬‬ ‫‪3‬‬

‫بعد إجراء عمليّة عنقدة لألفالم الواردة يف املثال السابق سنحصل على اجلدول التايل‪:‬‬

‫‪74‬‬
 ‫اجلدول ‪ 4‬نتيجة عنقدة جمموعة أفالم ‪ HP‬ضمن عنقود واحد‪ ،‬وكذلك جمموعة ‪.SW‬‬

‫‪HP‬‬ ‫‪TW‬‬ ‫‪SW‬‬

‫‪A‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪1‬‬

‫‪B‬‬ ‫‪4.67‬‬

‫‪C‬‬ ‫‪2‬‬ ‫‪4.5‬‬

‫‪D‬‬ ‫‪2‬‬ ‫‪3‬‬

‫بعد إجراء عمليّة العنقدة على األغراض‪ ،‬تصبح أعمدة املصفوفة يف اجلدول ‪ 3‬متثّل عناقيد من األغراض بينما متثّل األسطر‬
‫متوسط تقييمات 𝑢 لألغراض الّيت قام ابستعراضها‬
‫املستخدمني‪ ،‬حيث تصبح قيمة املدخل للمستخدم 𝑢 والعنقود 𝐶 هي ّ‬
‫وتنتمي للعنقود 𝐶‪ .‬ويف حال مل ميلك املستخدم أي تقييمات ألغراض عنقود 𝐶 فسيبقى املدخل املقابل فارغاً‪.‬‬

‫السابقة هي تقابل‬
‫السابقة على األغراض إجراء عمليّة عنقدة للمستخدمني فتصبح املصفوفة ّ‬
‫ميكن بعد إمتام عمليّة العنقدة ّ‬
‫السابقة أي عنقدة عناقيد املستخدمني واألغراض‬
‫عناقيد من املستخدمني مع عناقيد من األغراض‪ .‬كما ميكن تكرار العمليّة ّ‬
‫حىت حنصل على عدد مقبول من العناقيد‪ ،‬أي تصغري أبعاد املسألة للح ّد املقبول‪.‬‬
‫مراراً وتكراراً ّ‬
‫وتتم‬
‫نستعرض فيما يلي شرحاً خلوارزميّة العنقدة ‪ ،K-Means‬وهي خوارزميّة لتجميع البياانت استناداً إىل خصائصها ومساهتا‪ّ ،‬‬
‫عمليّة التّجميع من خالل ِ‬
‫تقليل املسافات بني البياانت ومراكز التّجميع (‪.)cluster centroid‬‬

‫تتلخص آليّة عمل هذه اخلوارزميّة ابخلطوات التالية‪:‬‬

‫ّ‬
‫ائي (كاعتماد نقاط عشوائيّة‬ ‫ٍ‬
‫يتم اختيار املراكز بشكل عشو ٍّ‬
‫األول ُّ‬
‫‪ -1‬حساب إحداثيّات مراكز التّجميع‪ :‬عند التّكرار ّ‬
‫متوسط النّقاط‬
‫يتم حساب املراكز على أ ّّنا ّ‬
‫الالحقة ّ‬
‫من املعطيات على أ ّّنا مراكز ابتدائيّة للعناقيد)‪ ،‬ويف التّكرارات ّ‬
‫العنقود‪.‬‬
‫املنتمية إىل ُ‬
‫كل البياانت ومراكز التّجميع‪.‬‬
‫‪ -2‬حساب املسافة بني ّ‬
‫ٍ‬
‫‪ -3‬جتميع البياانت وتنظيمها يف جمموعات بناءً على أ ِّ‬
‫قل املسافات بني املركز ونقاط البياانت‪.‬‬
‫معني من التكرارات نقف بعده‪.‬‬ ‫ٍ‬ ‫ِ‬
‫‪ -4‬إعادة تنفيذ اخلطوات من ‪ 3 – 1‬حىت الوصول إىل حالة الثّبات أو الوصول إىل عدد ّ‬
‫مرات مع‬
‫جمع (‪ ،)Centroid‬ومن املستحسن تنفيذ هذه اخلوارزميّة ع ّدة ّ‬
‫األوليّة ملراكز التّ ّ‬
‫يعتمد أداء هذه اخلوارزميّة على املواقع ّ‬
‫ُ‬
‫السابقة‪.‬‬
‫املرات ّ‬
‫مرة عن ّ‬
‫كل ّ‬
‫اختالف املراكز يف ّ‬
‫تفاصيل تنجيز اخلوارزميّة‪:‬‬

‫‪75‬‬
 ‫متوسط النّقاط املنتمية إىل هذا العنقود‪.‬‬
‫حساب مراكز التّجميع (مراكز العناقيد)‪ :‬هو ّ‬ ‫•‬

‫حساب املسافة‪ :‬متّ اعتماد املسافة اإلقليديّة يف تنجيز اخلوارزميّة‪ ،‬وهناك خيارات أخرى ميكن اعتمادها مثل مسافة‬ ‫•‬

‫هامينغ وغريها‪.‬‬
‫ستقوم اخلوارزميّة ابلتّجميع اعتماداً على املقاييس املذكورة سابقاً‪.‬‬ ‫•‬

‫يتم يف املراحل األوىل‪.‬‬

‫عاد ًة معظم التجميع ّ‬ ‫•‬

‫تعقيد اخلوارزميّة هو )‪O(n. k. t. m‬حيث‪:‬‬ ‫•‬

‫جالت‪.‬‬
‫الس ّ‬
‫‪ n‬هي عدد ّ‬ ‫‪o‬‬

‫‪ k‬هي عدد العناقيد املراد تشكيلها‪.‬‬ ‫‪o‬‬

‫مرات التّكرار حىت احلصول على العناقيد النهائيّة‪.‬‬

‫‪ t‬هي عدد ّ‬ ‫‪o‬‬

‫السجل الواحد (تتعلّق ابلتّابع املعتمد يف حساب املسافة)‪.‬‬

‫‪ m‬هي عدد واصفات ّ‬ ‫‪o‬‬

‫السجالت‪.‬‬
‫متوسط عنقود من ّ‬ ‫مالحظة‪ :‬ميكن تطبيق هذه اخلوارزميّة عندما ميكن تعريف اتبع مسافة بني ّ‬
‫أي سجلّني‪ ،‬وتعريف ّ‬
‫𝑖‪[65] :‬‬ ‫السابقة وللحصول على تقييم مستخدم 𝑢 لغرض‬
‫بعد إجراء عمليّة العنقدة ّ‬
‫نوجد العنقود الّذي ينتمي له كل من 𝑢 و 𝑖‪ ،‬وليكن العنقودان 𝐶 و 𝐷 على الرتتيب‪.‬‬ ‫•‬

‫إذا كان املدخل يف مصفوفة العناقيد املقابل ل 𝐶 و 𝐷 غري فارغ‪ ،‬عندها تستخدم هذه القيمة لتقدير تقييم 𝑢 للغرض‬ ‫•‬

‫𝑖 يف املصفوفة األساسيّة قبل العنقدة‪.‬‬

‫كالرتشيح التّعاوينّ اعتماداً‬
‫نستخدم إحدى طرق تقدير التقييمات اليت حت ّدثنا عنها‪ّ ،‬‬
‫ُ‬ ‫إذا كان هذا املدخل فارغاً‪ ،‬عندها‬ ‫•‬

‫على املستخدم وغريها‪.‬‬

‫متوسط تقييمات املستخدم لألغراض‬ ‫إ ّن أبرز املشكالت الّيت تعاين منها عمليّة العنقدة هي اخنفاض دقّة التقييمات نتيجة اعتماد ّ‬
‫يف العنقود الو ِ‬
‫احد‪ ،‬وإسناد هذه القيمة كتقييم هذا املستخدم لباقي أغراض العنقود والّيت قد يكون عددها كبرياً‪ ،‬وابلتّايل ويف‬
‫فسيتم إسناد التقييم ذاته لباقي أغراض هذا العنقود وهو األمر الذي يؤثـُّر سلباً‬
‫حال قيّم املستخدم غرض واحد ضمن العنقود ّ‬
‫على دقّة التقييمات‪.‬‬

‫‪76‬‬
 ‫‪ 8.1.7‬اختبار النظام ‪Testing‬‬
‫لعل‬ ‫ِ‬ ‫ِ‬ ‫َّ‬
‫إن اهلدف من عمليّة االختبار هو قياس مدى جودة النظام وقدرته على التنبّؤ بتقييمات املستخدمني لألغراض املختلفة‪ ،‬و ّ‬
‫صاليب ‪:[66] Cross-Validation‬‬ ‫التحقق التّ ّ‬
‫ّ‬ ‫التقنية األشهر يف هذا اجملال هي‬

‫املطور يف اختبار النّماذج املبنيّة‪،‬‬

‫تساعد ّ‬
‫ُ‬ ‫وهي تقنيّة معياريّة يف االختبارات ضمن جمال التّنقيب يف املعطيات ‪،Data Mining‬‬
‫تقوم هذه التقنيّة على مبدأ تقسيم جمموعة املعطيات املتوافرة للدراسة إىل قسمني‪ ،‬عادةً ما يكون (‪%90-%70‬‬ ‫حيث ُ‬
‫السابقة يف‬
‫يتم تكرار العمليّة ّ‬
‫املبين‪ .‬مثّ ّ‬
‫للتدريب وبناء النموذج‪ ،‬فيما يتم استخدام (‪ )%30 - %10‬املتبقيّة الختبار النموذج ّ‬
‫كل مرةٍ وذلك تفادايً ملشاكل من نوع‬ ‫يتم تغيري عيّنة التدريب واالختبار يف ّ‬
‫حبيث ّ‬
‫تقسيم املعطيات إىل قسمني عدداً من املرات ُ‬
‫ارتباط املعطيات‪ ،‬كأن تكون عيّنة االختبار املنتقاة مرتبطة بعيّنة التدريب وابلتّايل حنصل على نتائج غري دقيقة للنّموذج املبين‪،‬‬
‫الشكل التّايل آليّة لتقسيم املعطيات‪.‬‬
‫ويوضح ّ‬
‫متوسط النتائج اإلحصائيّة‪ّ ،‬‬ ‫يتم تكرار العمليّة عدداً من املرات واعتماد ّ‬
‫وابلتّايل ّ‬

‫الشكل ‪ 12‬مرحل تقسيم املعطيات يف تقنية ‪.Cross-Validation‬‬

‫بشكل تكر ٍّ‬

‫اري مروراً على جمموعة املعطيات حبيث ال‬ ‫ٍ‬ ‫السابق فق ْد جرى اختيار ٍّ‬
‫كل من العيّنتني‬ ‫الشكل ّ‬
‫موضح يف ّ‬
‫كما هو ّ‬
‫أي من اجملموعتني مع األخرى‪ ،‬وجتدر اإلشارة هنا إىل أ ّن هذه الطّريقة ليست الوحيدة يف تقسيم جمموعة املعطيات‪ ،‬إ ْذ‬
‫تتقاطع ّ‬
‫يتم اختيار نسبة معيّنة منها عشوائيّاً للتدريب‪ ،‬واعتماد ما تب ّقى لالختبار يف ِّ‬
‫كل تكرار‪.‬‬ ‫ائي حبيث ّ‬ ‫ٍ‬
‫ميكن تقسيمها بشكل عشو ّ‬
‫الختبار أداء نظام التّوصية هناك عامالن أساسيّان جيب مراعاهتما‪ ،‬ومها دقّة التنبّؤات النّاجتة عن النّظام‪ ،‬وقدرة النّظام على‬
‫كل منهما فيما يلي‪:‬‬
‫وسنبني ّ‬
‫تغطية التقييمات الّيت تُطلب منه‪ّ ،‬‬

‫‪77‬‬
 ‫‪Coverage‬‬ ‫‪ .1‬التّغطية‬
‫هي مقياس لنسبة األغراض الّيت تنبّأ نظام التّوصية بتقييماهتا‪ .‬وتُعترب نسبة األغراض الّيت مت ّكن النّظام من التنبّؤ بتقييماهتا‪ ،‬إىل‬
‫األساسي للتّغطية‪.‬‬
‫ّ‬ ‫األغراض املطلوب التنبّؤ بتقييماهتا هي املقياس‬

‫عدد ٍ‬
‫قليل من اجلوار للمستخدمني واألغراض ضمن النّظام‪ .‬وميكن‬ ‫من العوامل الّيت تؤدي إىل اخنفاض هذه النّسبة هو اعتماد ٍ‬
‫ّ‬
‫متلك أي تقييمات‬ ‫أ ْن نعزي عدم مقدرة النّظام على التنبّؤ ِ‬
‫ببعض التقييمات إىل أ ّن األغراض املطلوب التنبّؤ بتقييماهتا ق ْد ال ْ‬
‫سابقة ضمن النّظام‪ ،‬أو أ ّن عدد قليل من املستخدمني والّذين ال ينتمون جلوار املستخدم النّشط هم من قاموا بتقييمها فقط‪.‬‬

‫‪Accuracy‬‬ ‫‪ .2‬ال ّدقّة‬

‫متّ اقرتاح ع ّدة مقاييس لتقييم دقّة نظام التّوصية من النّاحية اإلحصائيّة‪ ،‬والّيت تقيّم دقّة هذا النّظام من خالل مقارنة القيم العدديّة‬
‫السابقتني‪ .‬ويعترب املقياس‬
‫للتنبّؤات مع التقييمات الفعليّة للمستخدمني وذلك ابلنسبة لألغراض الّيت منلك عنها املعلومتني ّ‬
‫متوسط الفروقات بني التنبّؤات‬
‫)‪ Mean Absolute Error (MAE‬من أشهر املقاييس يف هذا اجملال والّذي يعتمد على حساب ّ‬
‫والقيم احلقيقيّة ابلقيمة املطلقة‪.‬‬

‫‪78‬‬
 ‫ املراجع‬8

]1[ F. Ricci ،"Travel Recommender Systems "،IEEE Intelligent Systems ،6 ‫ رقم‬،17 ‫ اجمللد‬،pp. 55-57 .2002 ،

[2] Gavalas, Kenteris, "A web-based pervasive recommendation system for mobile tourist guides," Personal &
Ubiquitous Computing, vol. 15, no. 7, pp. 759-770, 2011.

]3[ M. J. a. D. B. Pazzani ،Content-based recommendation systems ،Berlin: Springer ،2007 ،pp. 325-341.

]4[ J. B. e. a. Schafer ،Collaborative filtering recommender systems, The adaptive web ،Berlin: Springer ،2007 ،
pp. 291-324.

[5] N. H. Carlos A. Gomez-Uribe, "The Netflix Recommender System: Algorithms, Business Value, and
Innovation," ACM Transactions on Management Information Systems (TMIS), vol. 6, no. 4, 2016.

]6[ G. Adomavicius and A. Tuzhilin ،"Toward the next generation of recommender systems: A survey of the state-
of-the-art and possible extensions "،IEEE Transactions on Knowledge and Data Engineering ،6 ‫ رقم‬،17 ‫ اجمللد‬،
pp. 734-749 .2005 ،

]7[ J. A. Konstan ،"Introduction to recommender systems: Algorithms and evaluation "،ACM Transactions on
Information Systems (TOIS) ،1 ‫ رقم‬،22 ‫ اجمللد‬،pp. 1-4 .2004 ،

]8[ G. A. a. Y. Kwon ،"New recommendation techniques for multicriteria rating systems "،IEEE Intelligent
Systems ،3 ‫ رقم‬،22 ‫ اجمللد‬،pp. 48-55 .2007 ،

]9[ N. M. a. C. Costopoulou ،"Analysis and classification of multi-criteria recommender systems "،World Wide
Web: Internet and Web Information Systems ،4 ‫ رقم‬،10 ‫ اجمللد‬،pp. 415-441 .2007 ،

]10[ P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, and J. Riedl ،"Grouplens: An open architecture for
collaborative filtering of netnews ‫" أتليف‬،The 1994 ACM conference on Computer supported cooperative work ،
.1994

[11] Gediminas Adomavicius, Alexander Tuzhilin, "Towards the Next Generation of Recommender Systems: A
Survey of the State-of-the-Art and Possible Extensions," IEEE Transactions on Knowledge and Data
Engineering, vol. 17, no. 6, pp. 734-749, 2005.

[12] "Tf-idf weighting," Stanford, [Online]. Available: https://nlp.stanford.edu/IR-book/html/htmledition/tf-idf-

weighting-1.html. [Accessed 3 8 2017].

[13] Zitnick, C.L., Kanade, T., "Maximum entropy for collaborative filtering.," in AUAI ’04: Proc. of the 20th Conf.
on Uncertainty in Artificial Intelligence, Virginia, 2004.

79
[14] Kantor, Francesco Ricci · Lior Rokach · Bracha Shapira · Paul B., "Content-based Recommender Systems:
State of the Art and Trends," in Recommender Systems HandBook, Springer US, 2010, pp. 73-107.

[15] PAZZANI, DANIEL BILLSUS. MICHAEL J., "User Modeling and User-Adapted Interaction," in User
modeling for adaptive news access., Kluwer Academic, 2000, pp. 147-180.

]16[ B. R. a. M. R. McCord ،Multicriteria methodology for decision aiding ،Springer .1996 ،

]17[ J. Figueira, S. Greco, and M. Ehrgott ،"Multiple criteria decision analysis: state of the art "،Springer Verlag ،
.2005

]18[ R. L. Keeney and H. Raiffa ،"Decisions with multiple objectives: Preferences and value tradeoffs،" Cambridge
Univ Pr.1976 ،

]19[ E. Triantaphyllou ،"Multi-criteria decision making methods: a comparative study "،Kluwer Academic Pub ،
.2000

]20[ E. Jacquet-Lagrze and Y. Siskos ،"Preference disaggregation: 20 years of mcda experience "،European Journal
of Operational Research ،2 ‫ رقم‬،130 ‫ اجمللد‬،pp. 233-245 .2001 ،

]21[ Y. S. a. C. Z. P. M. Pardalos ،Advances in multicriteria analysis ،Springer .1995 ،

]22[ K. Deb ،"Multi-objective optimization." Search methodologies ،Boston: Springer ،2014 ،pp. 403-449.

]23[ B. Roy and D. Bouyssou ،Aide multicrit`ere `a la d´ecision: m´ehodes et cas ،Paris: Economica Paris .1993 ،

]24[ R. Burke ،"Knowledge-based recommender systems "،Encyclopedia of Library and Information Systems ‫ اجمللد‬،
،4 ‫ رقم‬،12pp. 331-370 .2000 ،

]25[ Adomavicius, G & ,.Kwon, Y ،"Multi-Criteria Recommender Systems ‫" أتليف‬،Recommender Systems
Handbook ،Springer ،2015 ،pp. 847-880.

]26[ Amatriain, X., Basilico, J. ،"Netflix recommendations: Beyond the 5 stars،" 2012 .]‫ [متصل‬.Available:
https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-1-55838468f429 .
.]2018 ‫[اتريخ الوصول‬

]27[ Siskos, Yannis, Evangelos Grigoroudis, and Nikolaos F. Matsatsinis ،""UTA methods." Multiple criteria
decision analysis: State of the art surveys "،Springer ،pp. 297-334 .2005 ،

]28[ Breese, J., Heckerman, D., Kadie, C. ،"Empirical analysis of predictive algorithms for collaborative filtering "،
‫أتليف‬In Proc. of the 14th Conference on Uncertainty in Artificial Intelligence ،San Francisco, CA .1998 ،

80
]29[ Manouselis, N., Costopoulou, C. ،"Experimental analysis of design choices in multiattribute utility
collaborative filtering "،International Journal of Pattern Recognition and Artificial Intelligence ،2 ‫ رقم‬،21 ‫ اجمللد‬،
pp. 311-332 .2007 ،

]30[ Tang, T., McCalla, G. ،"The pedagogical value of papers: a collaborative-filtering based paper recommender "،
Journal of Digital Information .2009 ،2 ‫ رقم‬،10 ‫ اجمللد‬،

]31[ Maneeroj, S., Samatthiyadikun, P., Chalermpornpong, W., Panthuwadeethorn, S., Takasu, A ،"Ranked criteria
profile for multi-criteria rating recommender "،Information Systems, Technology and Management ،pp. 40-51 ،
.2012

]32[ Sarwar, B., Karypis, G., Konstan, J., Riedl, J. ،"Item-based collaborative filtering recommendation
algorithms ‫" أتليف‬،In: Proc. of the 10th International Conference on World Wide Web ،New York, NY, USA ،
.2001

]33[ Boulkrinat, S., Hadjali, A., Mokhtari, A. ،"Towards recommender systems based on a fuzzy preference
aggregation ‫" أتليف‬،In: 8th conference of the European Society for Fuzzy Logic and Technology (EUSFLAT-
13) ،Atlantis .2013 ،

]34[ Palanivel, K., Siavkumar, R. ،"Fuzzy multicriteria decision-making approach for collaborative recommender
systems "،International Journal of Computer Theory and Engineering ،1 ‫ رقم‬،2 ‫ اجمللد‬،pp. 57-63 .2010 ،

]35[ Nilashi, M., Ibrahim, O., Ithnin, N. ،"Hybrid recommendation approaches for multi-criteria collaborative
filtering "،Expert Systems with Applications ،8 ‫ رقم‬،41 ‫ اجمللد‬،pp. 3879-3900 .2014 ،

]36[ Sahoo, N., Krishnan, R., Duncan, G., Callan, J ،" Research note-the halo effect in multicomponent ratings and
its implications for recommender systems: The case of yahoo! movies "،Information Systems Research ‫ اجمللد‬،
،1 ‫ رقم‬،23pp. 231-246 .2012 ،

]37[ Si, L., Jin, R. ،"Flexible mixture model for collaborative filtering ‫" أتليف‬،In: Proc. of the 20th International
Conference on Machine Learning .2003 ،

]38[ M. Ehrgott ،Multicriteria optimization ،Springer Verlag .2005 ،

]39[ Lakiotaki, K., Tsafarakis, S., Matsatsinis, N. ،"UTA-Rec: a recommender system based on multiple criteria
analysis ‫" أتليف‬،In: Proc. of the 2008 ACM conference on Recommender systems ،ACM New York, NY, USA
.2008 ،

]40[ Siskos, Y., Grigoroudis, E., Matsatsinis, N ،UTA methods ،Springer .2005 ،

81
]41[ S .& .F. C. b. S. PhD ،"KENDALL'S TAU .]‫" [متصل‬،Available: http://stanfordphd.com/KendallsTau.html ‫ [اتريخ‬.
.]2018 9 ‫الوصول‬

]42[ Akhtarzada, A., Calude, C., Hosking, J. ،"A multi-criteria metric algorithm for recommender systems "،
Fundamenta Informaticae ،1 ‫ رقم‬،110 ‫ اجمللد‬،pp. 1-11 .2011 ،

]43[ Chow, C., Liu, C. ،"Approximating discrete probability distributions with dependence trees "،IEEE
Transactions on Information Theory ،3 ‫ رقم‬،14 ‫ اجمللد‬،pp. 462-467 .1968 ،

]44[ Lee, H., Teng, W. ،"Incorporating multi-criteria ratings in recommendation systems ‫" أتليف‬،In: IEEE
International Conference on Information Reuse and Integration .2007 ،

]45[ Lee, W., Liu, C., Lu, C. ،"Intelligent agent-based systems for personalized recommendations in internet
commerce "،Expert Systems with Applications ،4 ‫ رقم‬،22 ‫ اجمللد‬،pp. 275-284 .2002 ،

]46[ J. Schafer ،"Dynamiclens: A dynamic user-interface for a meta-recommendation system ‫" أتليف‬،In: Proc. of the
Workshop on the next stage of recommender systems research at the ACM Intelligent User Interfaces Conf ،
.2005

]47[ Adomavicius, G., Sankaranarayanan, R., Sen, S., Tuzhilin, A. ،" Incorporating contextual information in
recommender systems using a multidimensional approach "،ACM Transactions on Information Systems
(TOIS) ،1 ‫ رقم‬،23 ‫ اجمللد‬،pp. 103-145 .2005 ،

]48[ Jannach, Dietmar & Zanker, Markus & Fuchs, Matthias ،"Leveraging multi-criteria customer feedback for
satisfaction analysis and improved recommendations "،Information Technology & Tourism ،14 ‫ اجمللد‬،pp. 119-
149 .2014 ،

]49[ Jameson, A., Smyth, B. ،"Recommendation to groups "،Lecture Notes in Computer Science 4321 .2007 ،

]50[ Lops, P., De Gemmis, M., Semeraro, G. ،" Content-based recommender systems: State of the art and trends "،.
Recommender systems handbook ،pp. 73-105 .2011 ،

]51[ Lousame, F., Sánchez, E. ،" Multicriteria predictors using aggregation functions based on item views ‫" أتليف‬،.
Intelligent Systems Design and Applications (ISDA) .2010 ،

]52[ Lakiotaki, K., Matsatsinis, N., Tsoukias, A. ،"Multicriteria user modeling in recommender systems "،IEEE
Intelligent Systems ،2 ‫ رقم‬،26 ‫ اجمللد‬، pp. 64-76 .2011 ،

]53[ Liu, L., Mehandjiev, N., Xu, D.L. ،"Multi-criteria service recommendation based on user criteria preferences "،
‫أتليف‬In: Proceedings of the fifth ACM conference on Recommender systems ،ACM .2011 ،

82
]54[ Jannach, D., Karakaya, Z., Gedikli, F. ،"Accuracy improvements for multi-criteria recommender systems "،
‫أتليف‬In: Proceedings of the 13th ACM Conference on Electronic Commerce ،ACM .2012 ،

]55[ Freund, Y., Iyer, R., Schapire, R., Singer, Y. ،" An efficient boosting algorithm for combining preferences "،
The Journal of Machine Learning Research ،4 ‫ اجمللد‬، pp. 933-969 .2003 ،

]56[ Nguyen, H., Haddawy, P. ،"DIVA: applying decision theory to collaborative filtering ‫" أتليف‬،In: Proc. of the
AAAI Workshop on Recommender Systems ،Madison, WI .1998 ،

]57[ Saaty, T. ،" Optimization in integers and related extremal problems "،McGraw-Hill .1970 ،

]58[ Schmitt, C., Dengler, D., Bauer, M. ،"Multivariate preference models and decision making with the maut
machine ‫" أتليف‬،In: Proc. of the 9th International Conference on User Modeling (UM 2003) .2003 ،

]59[ D. Brandt ،" How service marketers can identify value-enhancing service elements "،Journal of Services
Marketing .1988 ،

]60[ Y. Zheng ،"Criteria Chains: A Novel Multi-Criteria Recommendation Approach ‫" أتليف‬،Proceedings of the 22nd
International Conference on Intelligent User Interfaces ، ACM New York, NY, USA .2017 ،

]61[ Jesse Read, Bernhard Pfahringer, Geoff Holmes, and Eibe Frank ،"Classifier chains for multi-label
classification "،Machine learning ،3 ‫ رقم‬،85 ‫ اجمللد‬،pp. 333-359 .2011 ،

[62] Kantor, Francesco Ricci · Lior Rokach · Bracha Shapira . Paul B., "A Comprehensive Survey of Neighborhood-
based Recommendation Methods," in Recommender Systems Handbook, Springer US, 2010, pp. 107-145.

]63[ .2017 ،‫ دمشق‬،‫" املعهد العايل للعلوم التطبيقية والتكنولوجيا‬،‫ "بناء نظام توصية رقمي‬،‫ مصطفى دقاق‬،‫ ابراهيم االبراهيم‬،‫جمد العكة‬

[64] Jonathan L. Herlocker, Joseph A. Konstan, Al Borchers, and Hohn Riedl, "An Algorithmic Framework for
performing collaborative filtering," in international ACM SIGIR conference on Research and development in
information retrieval, California, 1999.

[65] Jure Leskovec, Anand Rajaraman, Jeff Ullman, "Recommendation Systems," in Mining of Massive Datasets,
Cambridge University Press, 2012, pp. 307-341.

[66] "Cross-Validation (Analysis Services - Data Mining)," Microsoft, 1 3 2017. [Online]. Available:
https://docs.microsoft.com/en-us/sql/analysis-services/data-mining/cross-validation-analysis-services-data-
mining. [Accessed 25 8 2017].

[67] Kantor, Francesco Ricci · Lior Rokach · Bracha Shapira · Paul B., "Advances in Collaborative Filtering," in
Recommender Systems Handbook, Springer US, 2010, pp. 145-187.

[68] Yehuda Koren, Robert Bell, Chris Volinsky, "Matrix Factorization Techniques for Recommender Systems,"
Computer, vol. 42, no. 8, 2009.

83
[69] "http://www.mono-project.com/," Mono Project, 2017. [Online]. Available: http://www.mono-
project.com/docs/about-mono/.

[70] "ASP.NET Data Access Options," Microsoft, [Online]. Available: https://msdn.microsoft.com/en-

us/library/ms178359(v=vs.110).aspx.

]71[ Mikeli,A.,Apostolou, D.,Despotis,D. ،"A multi criteria recommendation method for interval scaled ratings "،
‫أتليف‬Web Intelligence (WI) and Intelligent Agent Technologies (IAT), 2013 IEEE/WIC/ACM International Joint
Conferences .2013 ،

]72[ Jiang, T., Tuzhilin, A ،"Segmenting customers from population to individuals: Does 1-to-1 keep your customers
forever "،?IEEE Trans. on Knowl. and Data Eng ،p. 1297–1311 .2006 ،

]73[ Aciar, S., Zhang, D., Simoff, S., Debenham, J. ،" Informed recommender: Basing recommendations on
consumer product reviews "،.IEEE Intelligent systems 22 .2007 ،)3(

]74[ Jameson, A., Smyth, B. ،"Recommendation to groups "،Lecture Notes in Computer Science 4321 .2007 ،

84