Öneri sistemi

Öneri sistemleri kullanıcıya ilgilendiren bilgiler sunmak bilgi filtreleme (IF) (film, müzik, kitap, haber, görüntü, Web sayfalarını, vb) belirli bir biçimidir. Genellikle bir öneri sistemi, bir kullanıcının profilini belirli kıyaslama özellikleriyle karşılaştırır ve bir kullanıcının vereceği "görüşü" tahmin etmeye çalışır. Bu özellikler şunlardan gelebilir:

özet

Kullanıcı profilini oluştururken, açık ve örtük veri toplama biçimleri arasında bir ayrım yapılır:

Açık veri toplama örnekleri:

Örtülü veri toplama örnekleri:

Sistem daha sonra kullanıcı hakkında toplanan verileri mevcut verilerle (diğer kullanıcılar) karşılaştırır ve kullanıcı için bir soru listesi hesaplar. İşbirlikçi Filtreleme Sistemleri makalesinde ticari ve ticari olmayan birkaç örnek listelenmiştir. G. Adomavicius, tavsiye sistemlerine genel bir bakış, Herlocker, öneri sistemleri için değerlendirme tekniklerine genel bir bakış sunar. Öneri sistemleri, kullanıcının kendi başına düşünmemiş olabilecekleri öğeleri bulmasına yardımcı olduklarından, basit arama sistemine iyi bir alternatiftir. İlginç bir şekilde, öneri sistemleri genellikle geleneksel olmayan veri indeksleme arama motorları kullanılarak uygulanır.

Örneğin Amazon.com , Amie Street , Baynote , Babelio , Genius , inSuggest , Last.fm , Netflix , Reddit , StumbleUpon ve 2014 yılına kadar ulike.net öneri sistemleridir.

Öneri türleri

Genel Bakış

Sistem dört tür öneri kullanır:

  1. Kişiselleştirilmiş öneri (yazılan anahtar kelimeleri, arama geçmişini, site içindeki gezinme yolunu vb. Dikkate alarak İnternet kullanıcısının gezinme davranışının analizi), en basit, en az verimli ve şimdi en verimli, daha az kullanılan öneriler.
  2. Nesne önerisi (nesnenin veya içeriğin nitelikleri veya özelliklerine göre tüketicinin tercihlerinin analizi, bu tercihler müşterinin geçmişteki satın alma davranışı tarafından belirlenebilmektedir).
  3. Benzer kullanıcıların geçmiş davranışlarına dayanan sosyal öneri veya işbirliğine dayalı öneri (ilgi yakınlığına veya içeriğin benzerliğine göre işbirliğine dayalı filtreleme tekniği ).
  4. Önceki üç öneriyi birleştiren hibrit öneri.


Marc Ménard veya Jean-Sébastien Vayre, öneri sistemleriyle ilgili olarak farklı nesil türlerini tanımlar. Farklı kuşak öneri sistemleri, bu cihazlar tarafından gerçekleştirilen 3 tür otomatik görev ile kesin bir çerçeveye dayanmaktadır:

Öneri sistemlerinin tarihçesi

Birinci nesil  : "öğeden öğeye" algoritmasına dayalı olarak  : ürünler, özellikleri aracılığıyla birbirine bağlanır. Bu tür bir öneri sistemi web 1.0 ile ortaya çıktı ve kullanıcıları katı bir belgesel rolüyle sınırladı.

İkinci nesil: diğer tüketicilerin bilgileri olmadan tercihlerine uygun olarak beyan ettikleri ürünleri sunan işbirliğine dayalı filtrelemeye dayanmaktadır. Öneri mantığı şu şekildedir: “kullanıcıdan kullanıcıya” ve kullanıcıları profillerine ve tercihlerine göre birbirine bağlar. Toplanan veriler, tüketicinin navigasyonunu yeniden yapılandırmak için kullanılır ve daha sonra profilini oluşturmasını mümkün kılar. Ayrıca, kullanıcıların doldurduğu tüm beyan niteliğindeki bilgileri, yani web sitelerinde doldurulan formları / formları düşünmek de önemlidir. Bu tür bir öneri sistemi , yeni bir sosyal kültür getiren web 2.0 ile ortaya çıktı : Bir tüketicinin profili, benzer profiller aracılığıyla yeniden oluşturulur.

Üçüncü nesil: önceki iki nesli geçen hibrit filtrelemeye dayanır (içerik + işbirlikçi). Bu üçüncü tip öneri sistemi, kullanıcının dijital izlerinin her zaman daha fazla mevcut ve daha çok sayıda olduğu bir topluma dayanmaktadır. NICT'nin toplum içindeki yenilikleri, depolamadaki artış, yeni ekonomik cihazlar ve yeni veri işlemeyle birlikte yeni bir tasarıma ve tavsiye aracılarının yeni kullanımlarına yol açmaktadır. Bu, özellikle Büyük veri hareketine dayanmaktadır .

Üçüncü nesil temsilciler, doğrudan müdahaleleri olmadan açık bir şekilde formüle ederek tüketici tercihlerini modelleyebilir. Öncelikle, tercihlerin herhangi bir resmi tanımına dayanmazlar, tercihlerini tanımlayabilmek için öğrenme teorilerine veya tüketicileri araştırma araçlarına dayanırlar. Bu araçlar sayesinde, stratejilerin hedef tüketiciye göre kişiselleştirilmesine izin vermesi gereken makine öğrenimi sistemleri devreye giriyor.

Jean-Sébastien Vayre'nin geliştirebildiği gibi, bu cihazların birincil amacı, kullanıcıların davranışsal eylemlerini anlamak değil, anahtara ticari bir istekle ihtiyaçlarını öngörerek isteklerini ve sonuçlarını olabildiğince otomatik hale getirmektir ( tüketim teşviki).

Verimlilik

2014 yılında, "öneri motorları, çevrimiçi satış sitelerinin üçte birinden fazlası için önerilerin melezlenmesine dayanmaktadır  ". Bu sistem dönüşüm oranında yalnızca küçük bir artış sağlasa bile (% 2'den% 2,22'ye), büyük çevrimiçi satış sitelerinde cironun büyük bir bölümünü temsil edebilir . Amazon böylece bu oranı 2 ile çarparak cirosunun% 30'unu hibrit öneri aracıyla elde edebilirdi.

Öneri sistemlerinin gözlemlenen sınırlamaları

Kullanıcılar için seçim yardımı olarak tasarlanmış olsalar da, öneri sistemleri sadece tüketicilerin yararına değildir. Genel olarak ve özellikle kültürel mallar için sınırları şunlardır:

Ancak tüketici İnternet kullanıcısı olarak Snapchat Fransa direktörü Emmanuel Durand'ın önerdiği eğitim politikasının uygulanması ile tavsiye sistemlerinden yararlanmak mümkün olacaktır. Herkes için bu eğitim, kültürel çeşitliliği korumak için gerçekler hakkında tam bilgi sahibi olarak hareket etmek için büyük veri konularına ışık tutacaktır: öneri algoritmasının kodunun açıklığıyla nasıl çalıştığını anlama, İnternet kullanıcı verilerinin kullanımında şeffaflık ( gezinme izlerini izlemek için bilgilendirilmiş onay, verilerden para kazanma).

Algoritmik önyargılar

Öneri algoritmaları, belirli içeriğe yönelik önyargılı sonuçlara yol açabilir .

Örneğin, Guillaume Chaslot ve Algotransparency derneği tarafından yürütülen YouTube öneri algoritmasında tersine mühendislik çalışması , algoritmanın komplo içerikli içeriği tercih etme eğiliminde olduğunu gösteriyor.

Öneri sistemlerinin kullanım alanları

Öneri sistemleri farklı alanlarda kullanılmaktadır: kütüphanelerde, kültürel ürün platformlarında, ticari sitelerde, müze ziyaretlerinde, turizmde.

Müze

Müze ziyaretlerinde, kullanıcı ziyaretlerini iyileştirmek için öneri sistemleri kullanılır. Birkaç model yerleştirildi. Idir Benouaret, bir müzeyi ziyaret etmek için üç tür öneri sistemi sunar:

Notlar ve referanslar

  1. http://ids.csom.umn.edu/faculty/gedas/
  2. http://web.engr.oregonstate.edu/~herlock/
  3. Gérald Kembellec, Ghislaine Chartron ve Imad Saleh, Motorlar ve öneri sistemleri , ISTE Sürümleri,2014, s.  70
  4. (in) R. Burke, "  Hibrit tavsiye sistemleri: Anket ve deneyler  " , Kullanıcı Modellemesi ve Kullanıcı Tarafından Uyarlanmış Etkileşim , Cilt.  12, n, o  , 4,2002, s.  331–370.
  5. Marc Ménard, “  Kültürel mallar için tavsiye sistemleri Bir uygunluk üretimine doğru mu?  » , Https://www.cairn.info/ üzerinde , Les Cahiers du numérique (Cilt 10) ,, 2014/1, s.69 - 94
  6. Jean-Sébastien Vayre - Franck Cochoy, “  Pazarlarda yapay zeka: öneri sistemlerinin tüketicileri nasıl modellediği ve katılımını sağladığı .  » , Cairn.info üzerinde , Les Études Sociales (n ° 169) , 2019/1, s.177-201
  7. Gérald Kembellec, Ghislaine Chartron ve Imad Saleh, Motorlar ve öneri sistemleri , ISTE Sürümleri,2014, s.  74
  8. Marc Ménard, “  Kültürel mülkiyet öneri sistemleri: bir uygunluk üretimine doğru mu?  », Dijital defterler ,2014( ISSN  2111-434X , çevrimiçi okuyun )
  9. Emmanuel Durand, Klonların saldırısı: hiper seçim zamanındaki kültürel çeşitlilik , Paris, Presses de Sciences Po ,2016, 120  p. ( ISBN  978-2-7246-1980-5 , çevrimiçi okuyun ) , s. 89-108
  10. (in) Paul Lewis ve Erin McCormick, "  How a ex-insider YouTube Investigated icts secret algoritması  " , The Guardian ,2 Şubat 2018( çevrimiçi okuyun ).
  11. Idir Benouaret , "  Kültürel sitelere kişiselleştirilmiş ziyaretler için bağlamsal ve bileşik bir öneri sistemi  ", UTC Doktoru derecesini almak için sunulan tez ,25 Ocak 2017( çevrimiçi okuyun , 10 Kasım 2019'da danışıldı )

Ayrıca görün

Kaynakça

İlgili Makaleler

Dış bağlantılar