سیستم توصیهگر پشت تقریباً هر سکوی دیجیتالی هست که هر روز از آن استفاده میکنید؛ از فروشگاه آنلاین تا سرویس فیلم. اما پیشنهاد دورهی آموزشی با پیشنهاد فیلم فرق مهمی دارد. اگر فیلم پیشنهادی را دوست نداشته باشید، دو ساعت از دست دادهاید. اگر دورهی پیشنهادی بدون پیشنیاز لازم باشد، دانشجو سه ماه تلاش میکند و ناامید رها میکند.
در قسمت قبل گراف پیشنیاز دورهها را ساختیم. در این قسمت از همان گراف، کنار علاقه و محدودیت کاربر، برای پیشنهاد دوره استفاده میکنیم. انواع سیستم توصیهگر را میشناسیم و یاد میگیریم پیشنهادی بسازیم که هم مرتبط باشد، هم ممکن و هم قابل توضیح.
سیستم توصیهگر چیست؟
سیستم توصیهگر از میان تعداد زیادی گزینه، آنهایی را انتخاب و مرتب میکند که احتمالاً برای یک کاربر مفیدترند. مسئله در ظاهر ساده است، اما هر تصمیم طراحی روی تجربهی کاربر اثر مستقیم دارد.
دو رویکرد اصلی
رویکرد اول محتوامحور است. ویژگیهای گزینهها، مثل موضوع، سطح و مدت دوره، را با علاقههای کاربر مقایسه میکند. اگر دانشجو دورهی تحلیل داده را پسندیده، دورههای مشابه از نظر موضوع پیشنهاد میشوند. امبدینگ توضیح دورهها ابزار خوبی برای این مقایسه است.
رویکرد دوم همکارانه است. از رفتار کاربران دیگر یاد میگیرد. «دانشجویانی که مثل شما دورهی الف و ب را گذراندند، دورهی ج را هم گذراندند.» این رویکرد ویژگیهای دوره را نمیشناسد، اما الگوهایی پیدا میکند که از محتوا دیده نمیشوند. بیشتر سیستمهای واقعی ترکیبی از هر دو هستند.
مشکل شروع سرد
روش همکارانه به دادهی رفتاری نیاز دارد. برای دانشجوی تازهواردی که هنوز هیچ دورهای نگذرانده، یا دورهی تازهای که هنوز کسی ثبتنام نکرده، دادهای وجود ندارد. به این مشکل شروع سرد میگویند.
راهحل برای کاربر تازه، پرسیدن چند سؤال کوتاه است؛ هدف، سطح فعلی و زمان هفتگی. راهحل برای دورهی تازه، تکیه بر ویژگیهای محتوایی است. در سکوی آموزشی کوچک، شروع سرد تقریباً همیشه وجود دارد. پس با رویکرد محتوامحور و قاعده شروع کنید.
مثال ساده؛ پیشنهادگر غذا با مدل طبقهبندی
درس اصلی یک نمونهی ساده و آموزنده دارد. مدلی که در قسمت طبقهبندی ساختیم و از مواد اولیه آشپزی ملی را تشخیص میداد، به یک برنامهی وب پیشنهادگر تبدیل میشود. کاربر مواد اولیهای را که در خانه دارد تیک میزند و برنامه آشپزی مناسب را پیشنهاد میدهد.
تبدیل مدل به برنامهی وب
مدل با کتابخانهی skl2onnx به قالب ONNX تبدیل میشود و با ONNX Runtime مستقیم در مرورگر اجرا میشود. هیچ سروری لازم نیست. کاربر مواد را انتخاب میکند، یک بردار صفر و یک ساخته میشود و مدل احتمال هر آشپزی را برمیگرداند.
این مثال نشان میدهد هر مدل طبقهبندی میتواند هستهی یک پیشنهادگر ساده باشد. همان نکتهای که در قسمت طبقهبندی گفتیم اینجا هم حیاتی است. ترتیب ویژگیها در صفحهی وب باید دقیقاً با ترتیب آموزش یکی باشد.
محدودیت پیشنهادگر ساده
این پیشنهادگر فقط یک سیگنال دارد؛ شباهت. نمیداند کاربر وقت پختن غذای پیچیده را دارد یا نه، رژیم خاصی دارد یا نه، یا دیروز همین غذا را خورده است. پیشنهادش «مرتبط» است، اما لزوماً «مناسب» نیست.
پیشنهاد دوره همین مشکل را بزرگتر دارد. دانشجویی که به یادگیری عمیق علاقه دارد اما آمار و پایتون را نگذرانده، اگر فقط بر اساس علاقه پیشنهاد بگیرد، به دورهای هدایت میشود که نمیتواند تمامش کند.
بیشتر بخوانید: گراف پیشنیاز دورهها با شاهد و منشأ که محدودیتهای این پیشنهادگر از آن میآید، در گراف دانش چیست؟ ساخته شد.
طراحی پیشنهادگر دوره؛ فیلتر، رتبه، توضیح
پیشنهادگر دورهی خوب سه مرحله دارد. اول محدودیتها را اعمال میکند، بعد گزینههای باقیمانده را رتبهبندی میکند و در پایان برای هر پیشنهاد دلیل میآورد. نمودار زیر این مسیر را نشان میدهد.

فیلتر محدودیت پیش از رتبهبندی
محدودیتهای سخت را پیش از هر رتبهبندی اعمال کنید. دورههایی که پیشنیاز الزامیشان گذرانده نشده، دورههایی که با زمان هفتگی کاربر جور نیستند و دورههایی که قبلاً گذرانده شدهاند، از فهرست حذف شوند. این بخش قاعدهمحور است، نه یادگیری.
چرا پیش از رتبهبندی؟ چون اگر بعد از رتبهبندی فیلتر کنید، ممکن است همهی پیشنهادهای برتر حذف شوند و فهرست خالی بماند. بهعلاوه، مدل رتبهبندی نباید وقتش را روی گزینههای غیرممکن بگذارد.
رتبهبندی با چند سیگنال
از دورههای مجاز، رتبهبندی با ترکیب چند سیگنال انجام میشود؛ شباهت موضوعی با هدف کاربر، رفتار دانشجویان مشابه و کیفیت دوره، مثلاً نرخ تکمیل. کد زیر یک رتبهبندی سادهی ترکیبی را نشان میدهد:
def recommend(user, courses, graph, embed, k=3):
done = set(user["completed"])
allowed = [c for c in courses
if c["id"] not in done
and graph.required_prereqs(c["id"]) <= done
and c["hours_per_week"] <= user["hours_per_week"]]
goal = embed(user["goal"])
scored = [(0.7 * cosine(goal, embed(c["description"])) + 0.3 * c["completion_rate"], c)
for c in allowed]
return sorted(scored, key=lambda x: x[0], reverse=True)[:k]توضیح قابل بررسی
هر پیشنهاد باید دلیل داشته باشد و دلیل باید از دادهی واقعی بیاید. «این دوره برای تو عالی است» توضیح نیست و امکان بررسی ندارد. «پیشنیاز آمار را گذراندهای، این دوره هفتهای ۴ ساعت است و با هدف تو، تحلیل داده، همخوان است» توضیحی قابل بررسی است.
اگر از مدل زبانی برای نوشتن توضیح استفاده میکنید، فقط دلیلهای ساختاریافته را به آن بدهید و از او بخواهید همانها را به زبان طبیعی بیان کند. مدل نباید دلیل تازهای بسازد. همان اصل «داده منبع حقیقت است» که در قسمت مدل زبانی بزرگ گفتیم.
ارزیابی پیشنهادگر؛ فراتر از کلیک
رایجترین معیار ارزیابی پیشنهادگر، نرخ کلیک است. اما در آموزش، کلیک معیار گمراهکنندهای است. کلیک بیشتر جذابیت عنوان را نشان میدهد تا مناسب بودن پیشنهاد.
معیارهای درست
در سکوی آموزشی، معیارهای بهتری وجود دارد. آیا پیشنیاز پیشنهاد رعایت شده بود؟ آیا دوره در زمان موجود کاربر قابل انجام بود؟ آیا دانشجو دوره را تکمیل کرد؟ آیا دلیل پیشنهاد را فهمید؟
این معیارها کندتر از کلیک اندازهگیری میشوند؛ تکمیل دوره ماهها طول میکشد. اما همینها هستند که واقعاً نشان میدهند پیشنهادگر به یادگیری کمک کرده یا فقط به ثبتنام.
آزمون با کاربران فرضی
پیش از استقرار، یک مجموعهی آزمون کوچک با چند کاربر فرضی بسازید. تازهکار علاقهمند، فرد باتجربه با زمان محدود و فردی که هدفش هنوز روشن نیست. برای هرکدام، چند پیشنهاد قابل قبول و دلیلش را از پیش بنویسید.
بعد یک آزمون حساسیت هم انجام دهید. یک ترجیح را عوض کنید؛ مثلاً زمان هفتگی را از ۱۰ ساعت به ۳ ساعت برسانید. آیا پیشنهادها به شکل منطقی عوض میشوند؟ اگر نه، سیستم به آن ترجیح توجه نمیکند.
تمرین عملی؛ پیشنهادگر دورهی کوچک
با ده دوره و گراف پیشنیاز قسمت قبل، یک پیشنهادگر ساده بسازید:
- فیلترها: پیشنیاز الزامی، دورههای گذراندهشده و زمان هفتگی را پیاده کنید.
- رتبهبندی: شباهت هدف و نرخ تکمیل را با وزنهای مشخص ترکیب کنید.
- توضیح: برای هر پیشنهاد، دلیل ساختاریافته تولید کنید.
- سه کاربر فرضی: برای هرکدام پیشنهادهای مورد انتظار را از پیش بنویسید و با خروجی مقایسه کنید.
- آزمون حساسیت: زمان هفتگی یک کاربر را کم کنید و تغییر پیشنهادها را بررسی کنید.
اگر پیشنهادگر برای کاربری هیچ دورهای پیدا نکرد، این را هم صادقانه بگوید. «فعلاً دورهای که با زمان تو جور باشد نداریم» از پیشنهاد نامناسب بهتر است.
سخن پایانی
سیستم توصیهگر از میان گزینهها، مفیدترینها را برای هر کاربر انتخاب میکند. رویکرد محتوامحور بر ویژگیها و رویکرد همکارانه بر رفتار کاربران تکیه دارد و شروع سرد با پرسش کوتاه و ویژگی محتوایی حل میشود.
پیشنهادگر دورهی خوب سه مرحله دارد؛ فیلتر محدودیتها، رتبهبندی با چند سیگنال و توضیح قابل بررسی. ارزیابی را هم به کلیک محدود نکنید. تناسب پیشنیاز، امکان انجام و تکمیل دوره نشان میدهند پیشنهادگر واقعاً به یادگیری کمک کرده است.
این آموزش بر پایهی درس Build a Cuisine Recommender Web App از مجموعهی ML for Beginners و درس Planning Design از مجموعهی AI Agents for Beginners مایکروسافت (مجوز MIT) به فارسی بازنویسی و تکمیل شده است.
پرسشهای پرتکرار
سیستم توصیهگر چیست؟
سیستم توصیهگر نرمافزاری است که از میان تعداد زیادی گزینه، مثل محصول، فیلم یا دوره، آنهایی را پیشنهاد میدهد که احتمالاً برای یک کاربر مشخص مفیدتر یا جذابترند. بر اساس ویژگی گزینهها، رفتار کاربران یا ترکیبی از هر دو کار میکند.
تفاوت توصیهگر محتوامحور و همکارانه چیست؟
توصیهگر محتوامحور گزینههایی را پیشنهاد میدهد که ویژگیهایشان به علاقههای قبلی کاربر شبیه است. توصیهگر همکارانه از رفتار کاربران مشابه استفاده میکند و میگوید کسانی که مثل شما بودند، این را هم پسندیدند.
مشکل شروع سرد در توصیهگر چیست؟
وقتی کاربر یا گزینهی تازهای وارد میشود، دادهی رفتاری کافی دربارهاش نیست و روش همکارانه نمیتواند پیشنهاد خوبی بدهد. راهحلهای رایج پرسیدن چند سؤال کوتاه از کاربر تازه و استفاده از ویژگیهای محتوایی برای گزینهی تازه است.
چرا کلیک معیار خوبی برای ارزیابی پیشنهاد نیست؟
چون کلیک بیشتر جذابیت عنوان را نشان میدهد تا مناسب بودن پیشنهاد. دانشجویی که روی دورهی پیشرفته کلیک میکند اما پیشنیازش را ندارد، از آن پیشنهاد سود نمیبرد. تکمیل دوره، رضایت و تناسب با پیشنیاز معیارهای بهتریاند.







دیدگاهها
هنوز دیدگاهی ثبت نشده است. شروعکننده باشید — پرسش و اصلاح را با آغوش باز میپذیریم.