Professional Documents
Culture Documents
www.aiacademy.info | care@aiacademy.info
اجلمهورية العربية السورية
ماجستري يف املعلوماتية
إعداد
إشراف
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 كان حافزي إىل دخول املعهد العايل للعلوم التطبيقية والتكنولوجيا ...أخي ندمي
إىل من كان سندي يف أصعب الظروف ورفيقي يف أحلى اللحظات ...زوجيت جنود
1.2متهيد 8 .........................................................................................................................................
6.3إطار نظم دعم القرار متعددة املعايري يف نظم التوصية الرقمية 21 .................................................................................
3.4تضمني التقييم متعدد املعايري أثناء التوصية 38 ................... Engaging Multi-Criteria Ratings During Recommendation
6.5تطبيق خوارزمية سلسلة املعايري على بياانت موقع 56 ......................................................................... Trip Advisor
2.6.5أتثري اختيار قيمة حجم عينة اجلوار على أداء نظام التوصية 58 ...........................................................................
الرتابط69 .......................................................................................................................
4.1.7حساب ّ
الرتابط 72 .................................................................................................................
5.1.7مصداقية أوزان ّ
6.1.7اختيار اجلوار 73 .........................................................................................................................
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
حمركات التوصية املعتمدة على الرتشيح التعاوين Collaborative Filtering Recommenders CF Recommenders
حمركات التوصية املعتمدة على احملتوى Content Based Recommenders CB Recommenders
جترييب Heuristic
معايري Criteria
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."
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.
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.
/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
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
-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:
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.
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:
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.
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.
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).
.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.
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
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
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.
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.
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.
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:
-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:
/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
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.
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′
′
̅̅̅̅̅̅ ∑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′
𝑣𝑥 𝑢𝑥
= ) 𝑣𝑥 cos(𝑥𝑢 ,
‖ 𝑣𝑥‖ ‖ 𝑢𝑥‖
Eq7
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.
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: •
𝑘
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:
𝒌
∑ |)𝑖 |𝑟𝑐 (𝑢, 𝑖) − 𝑟𝑐 (𝑣, Eq12
𝟎=𝒄
املسافة اإلقليدية: •
𝒌
∑√ 𝟐|)𝑖 |𝑟𝑐 (𝑢, 𝑖) − 𝑟𝑐 (𝑣, Eq13
𝟎=𝒄
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).
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:
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
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
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.
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.
≻ .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.
،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.
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.
] .)[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.
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
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.
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...
45
الشكل 5مثال يوضح حالة استخدام خلدمة حمرك التوصيّة Recombee
معني.
إجياد مستخدمني مشاهبني ملستخدم ّ •
معني.
إجياد أغراض مشاهبة لغرض ّ •
46
الشكل 6مثال يوضح حالة استخدام خلدمة حمرك التوصيّة SuggestGrid
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).
/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.
-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).
حبيث يكتب التابع )𝑖 𝑅(𝑢,بداللة تقييمات املستخدمني املوجودين يف جوار املستخدم 𝑢 ونعرب عن هذا اجلوار بـ ـ 𝑢 ،ℵوهبذا
يكون:
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.
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:
̅̅̅̅
̅̅̅̅ 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:
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
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.
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.
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
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 ّ
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 ّ
ّ
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
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:
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:
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.
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
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
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 −
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.
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
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، •
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.
فليكن لدينا املثال التّايل والّذي يستعرض تقييمات بعض املستخدمني جملموعة من األفالم:
اجلدول 3تقييم جمموعة من املستخدمني جملموعة من األفالم.
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
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
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. •
جالت.
الس ّ
nهي عدد ّ 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 •
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
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.
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.
[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.
]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 ،
]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 ،
]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/.
]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