سفری از مفاهیم پایه تا پیشرفته هوش مصنوعی

قسمت چهارم: سیستم‌ توصیه‌ گر چطور محتوای مورد علاقه ما را پیدا می‌کند؟

سیستم‌ توصیه‌ گر از چه روش هایی برای پیشنهاد محتوای های مورد علاقه شما استفاده می کند ؟ ما در مطلب گذشته در خصوص روش کار دستیار صوتی با جزئیات فنی صحبت کردیم در بخش 4 از سری آموزش مفاهیم هوش مصنوعی قصد داریم بروی سیستم های توصیه گر متمرکز شویم.

تحقیق و تدوین مهدی گمرکی

اگر تا به حال برایتان پیش آمده که Netflix دقیقاً سریالی را پیشنهاد بدهد که احتمالاً دوست دارید، YouTube ویدیوهایی را جلوی چشم‌تان بگذارد که واقعاً تا آخر تماشا می‌کنید، یا Amazon محصولی را نشان دهد که به نیازتان نزدیک است، با یکی از مهم‌ترین کاربردهای هوش مصنوعی روبه‌رو شده‌اید: سیستم‌های توصیه‌گر.

این سیستم‌ها در ظاهر ساده‌اند، اما پشت پرده‌شان ترکیبی از آمار، یادگیری ماشین، تحلیل رفتار کاربر، مدل‌سازی علایق و پردازش حجم عظیمی از داده‌ها قرار دارد. در این قسمت از سری آموزشی «هوش مصنوعی به زبان ساده: از تئوری تا کاربرد در زندگی روزمره»، می‌خواهیم با زبانی قابل فهم اما دقیق، توضیح دهیم که این سامانه‌ها چطور از میان هزاران یا حتی میلیون‌ها محتوا، چند گزینه را برای هر کاربر انتخاب می‌کنند.

سیستم توصیه‌ گر چیست؟

سیستم توصیه‌گر یا Recommendation System، سامانه‌ای است که تلاش می‌کند پیش‌بینی کند هر کاربر به چه چیزی علاقه دارد. این چیز می‌تواند یک فیلم، ویدیو، آهنگ، کتاب، محصول فروشگاهی، خبر، یا حتی یک پست شبکه اجتماعی باشد.

هدف اصلی این سیستم‌ها، کاهش سردرگمی کاربر و افزایش احتمال تعامل است. به بیان ساده، به جای اینکه کاربر در میان انبوه محتواها جست‌وجو کند، الگوریتم‌ها از قبل حدس می‌زنند کدام گزینه‌ها برای او مناسب‌ترند.

برای مثال:

• Netflix می‌خواهد احتمال تماشای یک فیلم یا سریال را بالا ببرد.
• YouTube می‌خواهد احتمال کلیک، تماشا و ماندن بیشتر کاربر را افزایش دهد.
• Amazon می‌خواهد احتمال خرید را بیشتر کند.

در هر سه مورد، مسئله فقط «پیشنهاد دادن» نیست؛ مسئله این است که پیشنهاد درست، در زمان درست، به کاربر درست نمایش داده شود.

داده‌هایی که سیستم توصیه‌ گر از ما جمع می‌کند

سیستم‌های توصیه‌گر بدون داده عملاً هیچ کاری نمی‌توانند بکنند. این سیستم‌ها از رفتار ما الگو می‌سازند. مهم‌ترین داده‌هایی که معمولاً تحلیل می‌شوند عبارت‌اند از:

• فیلم‌ها یا ویدیوهایی که دیده‌ایم
• مدت زمانی که روی یک محتوا مانده‌ایم
• اینکه آیا روی یک پیشنهاد کلیک کرده‌ایم یا نه
• رتبه‌ای که داده‌ایم
• محصولاتی که خریده‌ایم یا به سبد خرید اضافه کرده‌ایم
• جست‌وجوهایی که انجام داده‌ایم
• لایک، دیسلایک، کامنت یا اشتراک‌گذاری
• دستگاهی که استفاده می‌کنیم
• زمان و موقعیت استفاده
• رفتار کاربران مشابه ما

نکته مهم این است که سیستم فقط به یک رفتار نگاه نمی‌کند. مثلاً در YouTube صرفاً «کلیک کردن» کافی نیست؛ مدت تماشا، توقف ویدیو، رد کردن ویدیو، بازگشت به عقب، و حتی رفتار کاربر بعد از دیدن ویدیو هم می‌تواند مهم باشد.

سه رویکرد اصلی در سیستم‌ توصیه‌ گر

سیستم‌های توصیه‌ گر معمولاً بر پایه یکی از این سه رویکرد یا ترکیبی از آن‌ها کار می‌کنند:

1. فیلترسازی مبتنی بر محتوا

در این روش، سیستم به ویژگی‌های خود محتوا نگاه می‌کند.

مثلاً اگر شما چند فیلم علمی‌تخیلی تماشا کرده‌اید، سیستم سعی می‌کند فیلم‌های دیگری با همان ویژگی‌ها پیشنهاد دهد.

ویژگی‌ها می‌توانند شامل این موارد باشند:

• ژانر
• بازیگران
• کارگردان
• کلیدواژه‌ها
• موضوع
• سال انتشار

این روش ساده و قابل فهم است، اما یک محدودیت مهم دارد:

اگر کاربر چیزهای جدید و متفاوت بخواهد، سیستم ممکن است بیش از حد به علایق قبلی او بچسبد و تنوع را کم کند.

2. فیلترسازی مشارکتی

این یکی از مشهورترین روش‌هاست. در این روش، سیستم به جای تمرکز صرف بر ویژگی‌های محتوا، به رفتار کاربران مشابه نگاه می‌کند.

منطق کار این است:

• اگر کاربر A و کاربر B سلیقه‌های مشابهی داشته باشند،
• و کاربر A چیزی را پسندیده باشد که کاربر B هنوز ندیده،
• پس احتمالاً آن چیز برای کاربر B هم جالب است.

این روش در Netflix و Amazon و بسیاری از فروشگاه‌ها و پلتفرم‌ها بسیار مهم است.

مثلاً عبارت‌هایی مثل «مشتریانی که این محصول را خریدند، این موارد را هم خریده‌اند» دقیقاً از همین منطق می‌آیند.

3. روش‌های ترکیبی

در دنیای واقعی، بیشتر سیستم‌ها فقط به یک روش تکیه نمی‌کنند. آن‌ها ترکیبی هستند.

یعنی هم به ویژگی‌های محتوا نگاه می‌کنند، هم به رفتار کاربران، هم به زمینه و زمان و هم به داده‌های متنی یا تصویری.

این ترکیب باعث می‌شود پیشنهادها دقیق‌تر، متنوع‌تر و شخصی‌تر شوند.

سیستم توصیه‌ گر چطور کار را شروع می‌کند؟

برای اینکه یک سیستم توصیه‌گر بتواند پیشنهاد بدهد، معمولاً چند مرحله اصلی طی می‌شود:

مرحله ۱: جمع‌آوری داده

در این مرحله، رفتار کاربر و اطلاعات محتوا جمع می‌شود.

مثلاً در YouTube:

• چه ویدیوهایی دیده شده؟
• چند ثانیه از هر ویدیو دیده شده؟
• روی چه چیزی کلیک شده؟
• کاربر چه موضوعاتی را بیشتر دنبال می‌کند؟

مرحله ۲: تبدیل رفتار به الگو

داده خام به‌تنهایی مفید نیست. سیستم باید از آن الگو بسازد.

مثلاً تشخیص دهد که کاربر به:

• آموزش برنامه‌نویسی
• نقد فیلم
• موسیقی آرام
• ویدیوهای کوتاه طنز

علاقه بیشتری دارد.

مرحله ۳: ساخت نمایه کاربر و محتوا

در اینجا برای هر کاربر یک نوع «پروفایل علایق» ساخته می‌شود.

هم‌زمان برای هر محتوا هم یک نمایه ویژگی‌ها تولید می‌شود.

مثلاً یک فیلم می‌تواند این برچسب‌ها را داشته باشد:

• ژانر: اکشن
• حال‌وهوا: هیجانی
• طول: ۲ ساعت
• زبان: انگلیسی
• بازیگران: مشهور

مرحله ۴: محاسبه شباهت یا امتیاز

سیستم سپس بررسی می‌کند که هر محتوا چقدر با علایق کاربر هماهنگ است.

برای این کار، از مدل‌های آماری و یادگیری ماشین استفاده می‌شود.

خروجی این مرحله معمولاً یک امتیاز پیش‌بینی‌شده است؛ مثلاً:

• احتمال کلیک
• احتمال تماشا
• احتمال خرید
• احتمال رضایت

مرحله ۵: رتبه‌بندی و نمایش

در نهایت، محتواها بر اساس امتیاز مرتب می‌شوند.

فقط بهترین گزینه‌ها در صفحه اصلی، بخش «پیشنهاد برای شما» یا «بعدی برای تماشا» نمایش داده می‌شوند.

نقش یادگیری ماشین در توصیه‌ گرها

در نسخه‌های ابتدایی، سیستم‌ها فقط بر اساس قوانین دستی کار می‌کردند.

مثلاً اگر کسی این فیلم را دیده، آن فیلم را پیشنهاد بده.

اما امروز، سیستم‌های توصیه‌گر از یادگیری ماشین و در موارد پیشرفته‌تر از یادگیری عمیق استفاده می‌کنند.

این مدل‌ها به جای اینکه از قبل قوانین خشک داشته باشند، از داده‌ها یاد می‌گیرند که:

• چه نوع رفتارهایی به علاقه واقعی منجر می‌شود
• چه نشانه‌هایی با کلیک یا خرید همراه‌اند
• کدام الگوها در کاربران مختلف تکرار می‌شوند

به بیان ساده، الگوریتم‌ها با گذر زمان بهتر می‌شوند، چون از میلیون‌ها نمونه رفتاری یاد می‌گیرند.

چرا Netflix در پیشنهاد فیلم موفق است؟

Netflix یکی از شناخته‌شده‌ترین نمونه‌های سیستم توصیه‌گر است.

این پلتفرم فقط به این نگاه نمی‌کند که چه فیلم‌هایی ژانر مشابه دارند. بلکه عوامل زیادی را بررسی می‌کند:

• تاریخچه تماشا
• مدت تماشای هر عنوان
• اینکه کاربر چه زمانی تماشا می‌کند
• اینکه چه چیزی را نصفه‌کاره رها کرده
• چه بازیگران یا ژانرهایی را بیشتر دوست دارد
• چه عناوینی را جست‌وجو کرده
• رفتار کاربران مشابه

حتی تصویر بندانگشتی (thumbnail) هم ممکن است برای هر کاربر متفاوت باشد.

یعنی دو نفر ممکن است یک فیلم یکسان را ببینند، اما Netflix برای هر کدام تصویری را نشان دهد که احتمال کلیک بیشتری ایجاد کند.

YouTube چطور ویدیو پیشنهاد می‌دهد؟

YouTube یکی از پیچیده‌ترین سیستم‌های توصیه‌گر را دارد، چون با حجم عظیمی از ویدیوها و رفتار کاربران سروکار دارد.

هدف YouTube فقط «پیشنهاد ویدیو» نیست، بلکه نگه داشتن کاربر در پلتفرم است.

برای این کار، YouTube معمولاً این موارد را تحلیل می‌کند:

• عنوان ویدیو
• توضیحات ویدیو
• برچسب‌ها
• محتوای تصویری
• صدای ویدیو
• رفتار کاربران
• زمان تماشا
• تعاملات قبلی

YouTube از دو مرحله مهم استفاده می‌کند:

1. بازیابی نامزدها: پیدا کردن تعداد زیادی ویدیو که ممکن است مناسب باشند.
2. رتبه‌بندی: انتخاب بهترین‌ها برای نمایش نهایی.

این یعنی سیستم ابتدا از میان میلیون‌ها ویدیو، چند هزار گزینه را جدا می‌کند و بعد از بین آن‌ها بهترین‌ها را انتخاب می‌کند.

Amazon چطور محصولات پیشنهادی را انتخاب می‌کند؟

در Amazon، مسئله معمولاً «خرید» است، نه فقط مشاهده.

پس سیستم باید پیش‌بینی کند که چه محصولی بیشترین شانس خرید را دارد.

مواردی که بررسی می‌شوند شامل:

• خریدهای قبلی
• جست‌وجوها
• کالاهای مشاهده‌شده
• زمان ماندن روی صفحه محصول
• محصولاتی که دیگران همراه آن خریده‌اند
• رفتار کاربران مشابه
• قیمت
• دسته‌بندی محصول

به همین دلیل است که Amazon می‌تواند پیشنهادهایی مثل این بدهد:

• «مشتریانی که این کالا را خریدند، این را هم خریدند»
• «محصولات مشابه»
• «اغلب با هم خریداری می‌شوند»

مسئله «شروع سرد» چیست؟

یکی از چالش‌های مهم در سیستم‌ توصیه‌ گر، Cold Start یا «شروع سرد» است.

این مشکل زمانی رخ می‌دهد که:

• کاربر جدید باشد و هنوز رفتار زیادی ثبت نشده باشد
• محصول جدید باشد و داده کافی درباره آن وجود نداشته باشد

در این شرایط، سیستم هنوز نمی‌داند چه چیزی را پیشنهاد دهد.

برای حل این مشکل، معمولاً از اطلاعات عمومی‌تر استفاده می‌شود؛ مثل:

• محبوب‌ترین محتواها
• اطلاعات پروفایل اولیه
• ویژگی‌های محتوای جدید
• دسته‌بندی‌های کلی

چرا توصیه‌ گرها همیشه دقیق نیستند؟

هرچند این سیستم‌ها بسیار هوشمندند، اما بی‌نقص نیستند.

دلایل خطا می‌تواند شامل این موارد باشد:

• داده ناکافی
• رفتار موقتی کاربر
• تغییر سلیقه در طول زمان
• تنوع کم در پیشنهادها
• بیش‌ازحد شخصی‌سازی شدن
• سوگیری داده‌ها

گاهی سیستم آن‌قدر روی علایق قبلی تمرکز می‌کند که کاربر را در یک «حباب پیشنهاد» نگه می‌دارد؛ یعنی فقط همان چیزهایی را نشان می‌دهد که شبیه گذشته‌اند.

آینده سیستم‌ توصیه‌ گر

سیستم‌های توصیه‌گر در حال حرکت به سمت مدل‌های پیشرفته‌ترند.

در آینده، این سیستم‌ها احتمالاً:

• زمینه و موقعیت کاربر را بهتر درک می‌کنند
• علایق کوتاه‌مدت و بلندمدت را هم‌زمان تحلیل می‌کنند
• از متن، صدا، تصویر و رفتار ترکیبی یاد می‌گیرند
• توصیه‌های توضیح‌پذیرتری ارائه می‌دهند
• از مدل‌های چندوجهی و هوش مصنوعی مولد بهره می‌برند
• توسعه تجارت الکترونیک
• توسعه دستیار های هوش مصنوعی برای توصیه گری

هدف نهایی این است که سیستم فقط «پیشنهاددهنده» نباشد، بلکه مشاور هوشمند محتوا و خرید برای هر کاربر باشد.

جمع‌بندی

سیستم‌های توصیه‌گر، یکی از ملموس‌ترین نمونه‌های هوش مصنوعی در زندگی روزمره ما هستند.

از Netflix و YouTube گرفته تا Amazon، همگی تلاش می‌کنند رفتار ما را بفهمند، الگوهای علاقه‌مان را استخراج کنند و در نهایت بهترین گزینه‌ها را پیش روی ما بگذارند.

پشت این پیشنهادهای به‌ظاهر ساده، مجموعه‌ای از فناوری‌ها قرار دارد:

• تحلیل داده
• یادگیری ماشین
• فیلترسازی مشارکتی
• فیلترسازی مبتنی بر محتوا
• رتبه‌بندی
• مدل‌سازی رفتار کاربر

به همین دلیل، وقتی یک فیلم، ویدیو یا محصول «دقیقاً مناسب شما» به نظر می‌رسد، این فقط شانس نیست؛ نتیجه کار یک سیستم هوشمند است که سعی کرده شما را بهتر بشناسد.

مهدی گمرکی

مشاوره کسب و کار