مشخصات

عنوان:

بررسی و تحلیل تکنولوژی سامانه های توصیه گر در کسب و کارهای الکترونیکی و پیاده سازی یک نمونه از آنها



گروه تخصصی:  فنی و مهندسی

سازمان مجری:  پژوهشکده فناوری اطلاعات و ارتباطات 

گروه پژوهشی: توسعه مدل های کسب و کار در حوزه فناوری اطلاعات (IT

پژوهشگران: 
درزی محمد (مسئول طرح)
مرادی منش زهرا (همکار طرح)
حسینی سیدمهدی (همکار طرح)
لیایی علی اصغر (همکار طرح)
محمدیان ایمان (همکار طرح)
زلقی مجید (همکار طرح)
اصغری حبیب اله (همکار طرح)
نیک نفس علی اکبر (همکار طرح)

تاریخ خاتمه:  دی 1389

کارفرما: 

خروجی طرح: 
 
تلفن: 

نشانی سازمان مجری: 
 

چکیده:

انسانها در زندگی روزمره خود به تناوب و دفعات در مقابل راه های متعدد قرار می گیرند که نیازمند انتخاب و تصمیم گیری بوده و برای انتخاب صحیح و اتخاذ تصمیم درست از منابع مختلف کسب اصلاح و مشاوره می نمایند. این مشورت یا به طور مستقیم و از طریق گفتگوی مستقیم حاصل می شود و یا به روش های غیر مستقیم این مهم صورت می گیرد. در این راستا سامانه های توصیه گر، دقیقا به دنبال ایفای نقش مشاور و توصیه گر هستند با این تفاوت که این توصیه از سوی یک ماشین ارائه می شود. مسلم است هر چه این توصیه و پیشنهادی که از سوی ماشین ارائه می شود دقیق تر و سریع تر باشد کارائی آن سامانه بالاتر خواهد بود. سامانه های توصیه گر از جمله مباحث جدید و گسترده ای است که در حوزه های مختلفی می توان آن را به خدمت گرفت. از جمله کاربرد این سامانه ها می توان به حوزه تجارت الکترونیکی، مدیریت ارتباط با مشتری، کتابخانه های دیجیتالی، حوزه پزشکی، مشاوره خانواده و ... اشاره کرد که خود بیانگر کاربرد وسیع این سامانه هاست. بدون شک موفقیت این سامانه ها به عوامل متعددی بستگی دارد که از جمله مهمترین آنها تکنیک ها و الگوریتم هایی است که این قبیل سامانه ها را پشتیبانی می کند؛ مشخصا موضوع این تحقیق، شناسائی انواع این سامانه ها و تحلیل الگوریتم هایی است که در این سامانه ها مورد استفاده قرار می گیرد. همچنین تحقیقات صورت گرفته در این حوزه نشان می دهد که یک دسته از الگوریتم هایی که در این سامانه ها مورد استفاده قرار گرفته و نتایج به کارگیری آن نیز مثبت گزارش شده است، الگوریتم های موسوم به پالایش مشارکتی است که بررسی، تحلیل و دسته بندی این دسته از الگوریتم ها نیز در راستای موضوع این تحقیق است. بر این اساس، پژوهش حاضر به دنبال پاسخ به سوالات ذیل است:
1- سامانه های توصیه گر
(RS) چگونه سامانه هایی هستند و از چه طبقه بندی برخوردارند؟
2- چه نوع الگوریتمهایی در طراحی سامانه های توصیه گر به کار می روند؟
3- الگوریتم پالایش مشارکتی
(CF) به عنوان یکی از تکنولوژیهای مورد استفاده در سامانه های توصیه گر چگونه الگوریتمی است و چگونه طبقه بندی می شود؟
4- کسب و کار "آمازون (
www.Amazon.comTM)" از چه نوع تکنولوژی برای سامانه های توصیه گر خود بهره می برد و تا چه اندازه بکارگیری این تکنولوژی باعث افزایش کارایی آن شده است؟
بر این اساس در فاز دوم این طرح که مربوط به پیاده سازی یک نمونه از این سامانه ها بود، گزینه های مختلفی برای پیاده سازی مورد بررسی قرار گرفت. بر اساس بررسی های به عمل آمده و اهمیت حمایت از مراکز رشد و واحدهای فناور
(SME)  مستقر در آن و همچنین رهیافت کلی پروژه های جهاد دانشگاهی، با موافقت رئیس محترم پژوهشکده ICT جهاددانشگاهی مقرر شد، سامانه ای به منظور ارائه توصیه های آموزشی به واحدهای فناور مستقر در مراکز رشد طراحی و پیاده سازی شود.
در این راستا، با بررسی های به عمل آمده مشخص گردید نوع این سامانه می بایست از جنس سامانه های مبتنی بر دانش باشد و متدلوژی استدلال مبتنی بر نمونه
(CBR) نیز برای استخراج استنباط از پایگاه دانش این سامانه انتخاب گردید.
کی از مهمترین دلائل به کارگیری متدلوژی
CBR الهامی بود که از به کار گیری این متدلوژی در حوزه پزشکی گرفته شد. تحقیقات انجام گرفته توسط محققان این طرح نشان می دهد CBR به علت ویژگیهای منحصر به فرد خود در بسیاری از سیستمهای تشخیص و درمانی حوزه پزشکی به کار گرفته شده است. در این راستا یک SME به مثابه یک بیمار و سامانه توصیه گر نیز در قالب پزشک دیده شد.
پس از فصل هفتم گزارش پیش رو که به بررسی پیشینه مراکز رشد و نیازسنجی آموزشی در سازمان ها می پردازد، در فصل هشتم، استدلال مبتنی بر نمونه
(CBR) مورد بررسی قرار می گیرد.
در فصل نهم گزارش نیز کلیه مراحل طراحی و پیاده سازی سامانه توصیه گر دوره های آموزشی که ماحصل تلاش محققان این طرح بود، به طور مبسوط درج شده است
.



کلیدواژگان: استدلال مبتنی بر نمونه، نیازسنجی آموزشی، واحد فناور مبتنی بر دانش، پیشنهاد دوره های آموزشی، سیستم های توصیه گر، مراکز رشد فناوری

 
 
Title:

Survey and Analysis on Recommender Systems Technology in E-business; A Sample Implementation



Abstract:

Repeatedly people are faced with different ways on daily basis in which there is a need to make appropriate decisions. Therefore different sources of consultancy are attempted. This consultation is either through direct or indirect ways. In this regard the recommender systems are exactly playing the role of a consultant. However these recommendations are given by machines not humans. It is needless to say that the more concise and rapid the recommender systems are, the more efficient the system will be. Recommender systems are among new and extensive subjects which can be applied in different domains such as e-commerce, customer relations management, digital libraries, medical domain, family consultation services, etc. This shows the broad application of these systems. With no doubt the success of these systems depend on several factors among which the most important ones are the techniques and algorithms which are used in such systems. One of the algorithms used here that was also reported to have worked well is Collaborative Filtering. The main topic of the paper is to analyze and classify this type of algorithms. Hence the present research tries to answer the following questions:
1. What kind of systems are Recommender Systems and what classification do they belong to?
2. What algorithms are applied in designing recommender systems?
3. What kind of algorithm is Collaborative Filtering as a technology used in recommender systems and how is it classified?
4. What type of technology does the business of www.amazon.comTM use for its recommender systems and how efficient has the application of this technology been?
In the second phase of this project, the phase of implementing one of these recommender systems, various options were studied for implementation. According to the studies and the importance of supporting business incubators and their tenant SMEs and also the ACECR’s general approach to projects, with ICTRC director’s agreement, a system was designed and implemented in order to offer educational recommendations to SMEs. Using all the observations, the sort of this system was verified to be knowledge-based one and the methodology to infer from the knowledge base for this system was case-based reasoning. One of the most effective reasons to use CBR was the inspiration from the use of this methodology in medical sector. CBR, as the researches show, is being used in many systems of medical treatment and diagnosis because of its unique criteria. In this regard, an SME has been considered as a patient and the recommender system as a doctor. In the last chapters, business incubators history and needs assessment in organizations are reviewed. In the last chapter the entire stages of RS design and implementation for the training courses have been presented elaborately.



Keyword(s): Case based reasoning, Need assessment, Knowledge-based SMEs, Training course recommendation, Recommender systems, Technology incubator