کتاب سیستم های توصیه گر کاربردی

کتاب سیستم های توصیه گر کاربردی نوشته کیم فالک و ترجمه نوذر ابراهیمی لامع و فاطمه ثقفی است که انتشارات آتی نگر آن را منتشر کرده است. این کتاب به‌جای محدودشدن به تعریف‌های کلی، نشان می‌دهد یک سیستم توصیه‌گر در عمل چگونه از جمع‌آوری داده و شناخت رفتار کاربر تا انتخاب الگوریتم، ارزیابی و پیاده‌سازی پیش می‌رود. تمرکز اثر فقط بر فرمول‌ها نیست و به زیست‌بوم کامل توصیه‌گرها، از مسئله‌ی شروع سرد تا ترکیب روش‌های مختلف، پرداخته است. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب سیستم های توصیه گر کاربردی

کتاب سیستم های توصیه گر کاربردی نوشته کیم فالک به یکی از موضوعات مهم در دنیای محصولات دیجیتال می‌پردازد: این‌که چگونه می‌توان از میان حجم بزرگی از محتوا، کالا یا اطلاعات، پیشنهادهایی ساخت که با رفتار و نیاز کاربران هماهنگ باشند. نویسنده از همان فصل‌های آغازین، توصیه‌گر را فقط یک الگوریتم جداافتاده نمی‌بیند و آن را بخشی از یک سامانه‌ی کامل معرفی می‌کند؛ سامانه‌ای که باید کاربر، داده، زمینه‌ی استفاده، هدف کسب‌وکار و شیوه‌ی نمایش پیشنهادها را هم‌زمان در نظر بگیرد. به‌همین دلیل، بحث از مثال‌های روزمره و نمونه‌های اینترنتی شروع می‌شود و بعد به تعریف‌ها، رده‌بندی‌ها و تفاوت میان توصیه، تبلیغ و شخصی‌سازی می‌رسد.
کتاب سیستم های توصیه گر کاربردی در ادامه، مسیر ساخت یک توصیه‌گر را به‌صورت لایه‌به‌لایه باز می‌کند. بخش اول بیشتر بر زیرساخت و داده تمرکز دارد: جمع‌آوری شواهد رفتاری، شناخت کاربران، تبدیل رفتارها به امتیاز، توصیه‌های غیرشخصی، مسئله‌ی شروع سرد و شیوه‌های برخورد با کاربر یا محصولی که هنوز داده‌ی کافی درباره‌اش وجود ندارد. بخش دوم به الگوریتم‌ها اختصاص دارد و از سنجش شباهت میان کاربران و آیتم‌ها تا فیلترگذاری مشارکتی، فیلتر محتوامحور، تجزیه‌ی ماتریس، مدل‌های ترکیبی و ارزیابی آفلاین و آنلاین را دربر می‌گیرد. در فهرست فصل‌ها هم می‌توان دید که اثر فقط به معرفی روش‌ها بسنده نکرده و درمورد معماری، داشبورد، حریم خصوصی، اعتماد، رابط کاربری و حتی آینده‌ی سیستم‌های توصیه‌گر هم بحث کرده است.
کتاب سیستم های توصیه گر کاربردی از آن دسته آثاری است که میان بحث فنی و نگاه مسئله‌محور تعادل برقرار می‌کند. متن بارها یادآوری می‌کند که کیفیت توصیه فقط به پیچیدگی مدل وابسته نیست و بدون شناخت درست از داده‌ها، رفتار واقعی کاربران و معیارهای سنجش، نتیجه می‌تواند گمراه‌کننده باشد. همین نگاه باعث شده این کتاب فقط برای فهم الگوریتم‌ها مفید نباشد، بلکه تصویری روشن از تصمیم‌هایی بدهد که در فرایند طراحی و اجرای یک توصیه‌گر باید گرفته شوند؛ از انتخاب داده‌ی مناسب گرفته تا سنجش این‌که آیا پیشنهادها واقعاً کار خود را درست انجام می‌دهند یا نه.

خلاصه کتاب سیستم های توصیه گر کاربردی

کتاب سیستم های توصیه گر کاربردی از این پرسش شروع می‌کند که یک سامانه‌ی پیشنهاددهنده دقیقاً چه کاری انجام می‌دهد و چرا در فروشگاه‌های اینترنتی، سرویس‌های پخش محتوا و بسیاری از محصولات دیجیتال اهمیت دارد. سپس نشان می‌دهد که ساخت چنین سیستمی فقط به انتخاب یک الگوریتم خلاصه نمی‌شود. اثر از جمع‌آوری داده‌های رفتاری و تفسیر آن‌ها آغاز می‌کند، به تبدیل این داده‌ها به امتیاز و شناخت الگوهای کاربر می‌رسد و بعد روش‌های اصلی توصیه‌گری را توضیح می‌دهد؛ از فیلترگذاری مشارکتی و محتوامحور تا مدل‌های ترکیبی. در کنار این مباحث، ارزیابی عملکرد، مسئله‌ی شروع سرد، نقش زمینه، حریم خصوصی و نحوه‌ی ارائه‌ی پیشنهادها هم بررسی می‌شوند تا تصویری کامل از فرایند طراحی و اجرای یک سیستم توصیه‌گر شکل بگیرد.

چرا باید کتاب سیستم های توصیه گر کاربردی را بخوانیم؟

دلایل خواندن کتاب سیستم های توصیه گر کاربردی را می‌توان این‌طور خلاصه کرد:

• این کتاب توصیه‌گر را فقط در حد یک فرمول یا مدل معرفی نمی‌کند و کل فرایند طراحی، داده‌برداری و ارزیابی را کنار هم می‌گذارد.
• خواننده با مسئله‌های واقعی این حوزه مثل شروع سرد، امتیازهای صریح و ضمنی، شباهت‌سنجی و رتبه‌بندی آشنا می‌شود.
• فصل‌های کتاب از زیرساخت و رفتار کاربر شروع می‌شوند و بعد به الگوریتم‌ها می‌رسند؛ بنابراین تصویر کلی موضوع از دست نمی‌رود.
• اثر نشان می‌دهد انتخاب الگوریتم بدون توجه به هدف سامانه، نوع داده و زمینه‌ی استفاده کافی نیست.
• بخش ارزیابی کتاب کمک می‌کند معیارهای سنجش یک توصیه‌گر فقط به دقت ظاهری محدود نشوند.
• طرح مثال‌های مربوط به سرویس‌های محتوا و فروش آنلاین، فهم کاربردهای عملی سیستم‌های توصیه‌گر را آسان‌تر می‌کند.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

خواندن کتاب سیستم های توصیه گر کاربردی به این گروه‌ها پیشنهاد می‌شود:

• توسعه‌دهندگانی که می‌خواهند منطق پیاده‌سازی یک سیستم توصیه‌گر را از مرحله‌ی داده تا ارائه‌ی پیشنهادها بشناسند.
• دانشجویان و پژوهشگرانی که به مباحث یادگیری ماشین، داده‌کاوی و شخصی‌سازی در سامانه‌های دیجیتال علاقه دارند.
• مخاطبانی که می‌خواهند تفاوت میان روش‌های مشارکتی، محتوامحور و ترکیبی را دقیق‌تر درک کنند.
• مدیران محصول و تحلیلگرانی که لازم است نقش توصیه‌گرها را در تجربه‌ی کاربر و تصمیم‌های کسب‌وکاری بهتر بفهمند.
• کسانی که می‌خواهند درمورد ارزیابی، حریم خصوصی، اعتماد و مسئله‌های اجرایی مرتبط با توصیه‌گرها شناخت منظم‌تری به دست آورند.