فێربوونی قووڵ بۆ سیستەمەکانی پێشنیازکردن لەسەر بنەمای ناوەڕۆک

پێشەکی
کاتێک دەتەوێت فیلمێک بۆ هاوڕێیەکت پێشنیاز بکەیت، بەشێوەیەکی خۆڕسک خەمڵاندنێکی خێرا دەکەیت:
بیر دەکەیتەوە کە هاوڕێکەت کێیە؟ تەمەنی چەندە؟ لە کوێ دەژێت و حەزی لە چییە؟
لە هەمان کاتدا سەیرێکی ڕەفەی فیلمەکانت دەکەیت: ئەم فیلمە چ جۆرێکە (ژانر)؟ ئەکتەرە سەرەکییەکان کێن؟ لە چ ساڵێکدا دەرچووە؟ بۆ چ تەمەنێک گونجاوە؟
بەو شێوەیە بڕیاڕێکت لا دروست ئەبێت و بە هاوڕێیەکەت دەڵێیت کە تەماشای کامە فیلم بکا.
سیستمی پێشنیازکردنی ڕاسپاردە لەسەر بنەمای ناوەڕۆک (Content-Based Recommendation System) ڕێک بە هەمان شێواز کار دەکات، بەڵام بە شێوازێکی دیجیتاڵی.

شێوەی هەڵسووڕان
ئەم سیستمە دوو “وەرگێڕ”ی سەربەخۆ (تۆڕی دەماریی بیرکاری) بەکار دەهێنێت. وەرگێڕی یەکەم سەرجەم زانیارییەکانی بەکارهێنەر وەردەگرێت و دەیانکاتە پرۆفایلێکی دیجیتاڵی و ورد. بریتی دەبێت لە زنجیرەیەکی درێژ لە ژمارەکان (ئاڕستەبڕ Vector). وەرگێڕی دووەم ڕێک هەمان ڕەوت بۆ تایبەتمەندییەکانی فیلمەکە دووپات دەکاتەوە.

لە کۆتاییدا، سیستمەکە ئەم دوو پرۆفایلە دیجیتاڵییە دەخاتە تەنیشت یەکتر، ڕێک وەک دوو پارچەی یەکتر تەواوکەر. هەرچەندە شێوازی ژمارەکان زیاتر لێک بچن و بگونجێن، سیستمەکە دڵنیاتر دەبێت لەوەی کە ئەم فیلمە دەبێتە ڕەزامەندییەکی گەورە بۆ بەکارهێنەرەکە. لە ڕێگەی ملیۆنان نموونەی جۆراوجۆرەوە کە دەبنە خۆراکی ڕاهێنان، سیستمەکە بەبەردەوامی فێر دەبێت، ئەم پرۆفایلانە ڕێک دەکاتەوە و بە تێپەڕبوونی کات باشتر لەوە دەگات کام فیلم هەمان هەست و ئاوازیان هەیە و بە تەواوەتی لەگەڵ ئارەزووەکانی بەکارهێنەردا دەگونجێن.

ڕۆڵی لێکدانی ئاڕاستەبڕەکان (ڕیزەژمارە)

ئامانج لە لێکدانی ئاڕاستەبڕی (بە تایبەتی: scalar product یان Dot Product) لە پاڵفتەکردنی (فلتەرکردن) لەسەر بنەمای ناوەڕۆکدا، پێوانی ڕادەی لێکچوونی نێوان ئاڕاستەبڕی بەکارهێنەر (v_u) و ئاڕاستەبڕی فیلمەکەیە (v_m).
بە شێوەیەکی بەرجەستەکراو:
– هەر بەکارهێنەرێک و هەر فیلمێک بە ئاڕاستەبڕێک دەستنیشان دەکرێن کە تایبەتمەندییەکانیان کۆ دەکاتەوە.
– لێکدانی ئەم دوو ئاڕاستەبڕە ژمارەیەکمان پێ دەدات کە ڕادەی گونجانی نێوان بەکارهێنەر و فیلمەکە دیاری دەکات.
– ئەم ژمارەیە وەک پێشبینییەک بۆ هەڵسەنگاندن یان حەزی بەکارهێنەرەکە بۆ فیلمەکە بەکار دەهێنرێت.

بەکورتی: لێکدانی ئاڕاستەبڕی یارمەتیدەرە بۆ دیاریکردنی ئاستی هاوبەشی نێوان تایبەتمەندییەکانی بەکارهێنەر و فیلم، تاوەکو باشترین پێشنیاز بکات.

پابەندیی تێچوو (Cost Function)

پابەندیی یان نەخشانی تێچوو (کە بە پیتی J هێما کراوە) لە پرۆسەی ڕاهێناندا ڕۆڵی پێوەرێک دەبینێت بۆ ئەوەی بزانرێت مۆدێلەکە تا چەند پێشبینییەکانی بە دروستی ئەنجام دەدات.

لەمەوە دەتوانین بڵێین، پابەندیی تێچوو:

• جیاوازیی نێوان پلەبەندییە پێشبینیکراوەکان (لە ڕێگەی لێکدانی ئاڕاستەبڕ) و پلەبەندییە ڕاستەقینەکان لە داتاکانی ڕاهێناندا دەپێوێت.
• ئامانجی ڕاهێنان بریتییە لە ڕێکخستنی پارامەتەرەکانی هەردوو تۆڕەکە (بۆ بەکارهێنەر و فیلم) بە شێوازێک کە ئەم جیاوازییە (واتە نەخشەی تێچوو J) تا ئەوپەڕی نرخی کەم ببێتەوە.
• لە ڕێگەی کەمکردنەوەی نرخی تێچوو J، مۆدێلەکە فێر دەبێت ئاڕاستەبڕی باشتر دروست بکات کە پێشبینیی وردتر بەدەستەوە دەدەن.

کەواتە؛ پابەندیی تێچوو (J) ئاستی باشی یان خراپیی ئێستای مۆدێلەکە نیشان دەدات، و ڕاهێنانەکان هەوڵ دەدەن نرخی(J) کەم بکەنەوە بۆ باشترکردنی مۆدێلەکە.

نموونەیەکی کرداری بۆ تێگەیشتن لە هاوکێشەکە:

گریمان بەکارهێنەرێکمان هەیە بەناوی ئاراس (j) و فیلمێک بەناوی (i):

١. نمرەی ڕاستەقینە (y^(i,j)): ئاراس لە ڕاستیدا نمرەی ٥ی داوە بە فیلمەکە (y = 5).
٢. پێشبینیی مۆدێلەکە (v_u^(j) \cdot v_m^(i)):

ئاڕاستەبڕی ئاراس: v_u= [2, 1]
ئاڕاستەبڕی فیلمەکە: v_m = [2, 0.5]
ئەنجامی لێکدانی سکالار (Dot Product): (2 \times 2) + (1 \times 0.5) = 4.5
(واتە مۆدێلەکە پێشبینی دەکات نمرەکەی ٤.٥ بێت).

٣. هەژمارکردنی جیاوازیەکە:

٤. کۆکردنەوە (J): سیستەمەکە ئەم جیاوازییە (0.25) بۆ تەواوی ئەو فیلمەنە کۆدەکاتەوە کە ئاراس سەیریکردوون (r(i,j)=1)، لەگەڵ بەشی NN regularization term کە ڕێگری لە زۆر گونجان (Overfitting) دەکات.

ئامانجی ڕاهێنان: مۆدێلەکە هەوڵدەدات ئاڕاستەبڕەکان (v_u و v_m) بەجۆرێک بگۆڕێت کە ئەم هەڵەیە (0.25) تا دەکرێت نزیک بێتەوە لە سفر.

سیستەمەکانی پێشنیازکردن لە جیهانی ڕاستەقینەدا

لە سەکۆ بازرگانییەکانی وەکوو (Netflix و Amazon Prime Video)، هەمان بنەمای پاڵفتەکردنی سەر بنەمای ناوەڕۆک بەکاردێت بۆ پێشنیازکردنی فیلم و زنجیرەکان.

هۆکاری گرنگی: داڕشتنی پرۆفایلی ژمارەیی (ئاڕاستەبڕ) لەسەر بنەمای تایبەتمەندییەکانی بەکارهێنەر (تەمەن، ڕەگەز، نیشتەجێبوون) و تایبەتمەندییەکانی فیلم (ژانر، ئەکتەرەکان، ساڵی دەرچوون)، یارمەتی سیستەمەکە دەدات بە شێوازێکی زۆر ورد ئارەزووەکان دەستنیشان بکات.
پەیوەندی بە مۆدێلەکەوە: مۆدێلەکە تۆڕی دەماری ڕاهێنراو بەکاردێنێت تاوەکو بۆ هەر بەکارهێنەرێک ئاڕاستەبڕی v_u و بۆ هەر فیلمێک ئاڕاستەبڕی v_m دروست بکات. پێشبینیکردنی ئاستی حەزی بەکارهێنەر بۆ فیلمەکە، لەسەر بنەمای لێکدانی پێوەری (Dot Product)ی ئەم دوو ئاڕاستەبڕە دەستنیشان دەکرێت.
بەکارهێنانی کرداری: سیستەمەکە دوو ڕێگەی ئاسان بەکاردێنێت بۆ خێراکردنی پێشنیازەکان لە کاتالۆگە زۆر گەورەکاندا کە هەزاران فیلم دەگرنە خۆ و ملیۆنەها بەکارهێنەر چاوەڕێین:
١. پێشنیازکردنی ڕاستەوخۆ: بەراوردکردنی ئاڕاستەبڕی بەکارهێنەر (v_u) لەگەڵ هەموو ئاڕاستەبڕی فیلمەکان (v_m) تا ئەو فیلمەی زۆرترین لێکچوونی هەیە پێشنیاز بکرێت.
٢. دۆزینەوەی فیلمی هاوشێوە: کاتێک بەکارهێنەرێک فیلمێک دەبینێت، سیستەمەکە دەتوانێت فیلمی تر کە ئاڕاستەبڕەکانیان لە ئاڕاستەبڕی ئەو فیلمە نزیکە پۆلێن بکات و بەربژێری بکا بۆ ئەو بەکارهێنەرە.

ئەم هەژمارکردنانە لەپێشینە ئەنجام دەدرێن (Pre-computed) تاوەکو خێرایی و وەڵامدانەوەی سیستەمەکە بە بەرزی بپارێزرێت و چووستی کەم نەبێتەوە.

ئەم دەستکەوتە جەخت لەسەر ئەوە دەکاتەوە کە چۆن تیۆرییەکانی فێربوونی قووڵ دەبنە هەوێنی دروستکردنی ئەزموونێکی تایبەتی و سەرکەوتوو بۆ بەکارهێنەران لە ئاستی بازرگانیدا.

بەڕێوەبردنی کەتەلۆگە گەورەکان

کاتێک سیستەمی پێشنیازکردن ڕووبەڕووی هەزاران یان ملیۆنان بابەتی جۆراوجۆر دەبێتەوە، خەمڵاندن و هەڵسەنگاندنی ڕاستەوخۆ بۆ تەواوی بابەتەکان لە ڕووی توانای کۆمپیوتەر و خێراییەوە مەحاڵ دەبێت. بۆ چارەسەرکردنی ئەم ئاستەنگە، پرۆسەکە دەکرێتە دوو قۆناغی سەرەکی:

١. قۆناغی هێنانەوە (Retrieval Phase)
قۆناغێک بۆ هەڵبژاردنی سەرەتایی. ئامانجی ئەم قۆناغە دەستنیشانکردنی خێرای کۆمەڵێک بەربژێری گونجاو و دیاریکراوە لە نێوان ملیۆنان بابەتدا. بۆ هەر فیلمێک کە بەکارهێنەر لەم دواییانەدا بینیویەتی، شیاوترین و لێکچووترین فیلمەکان لە خشتەیەکی لە پێشینە ئامادەکراوەوە دەهێنرێن. بێجگە لەوەش، فیلمە بەناوبانگەکانی ناو ژانرە دڵخوازەکانی بەکارهێنەر یان وڵاتەکەی زۆر دەکرێن تاوەکو بژاردەی جۆراوجۆر و بەرفراوان دەستەبەر بێت.

٢. قۆناغی پلەبەندی (Ranking Phase)
هەڵبژاردنی وردتر دەست پێ دەکات، ئەو بەربژێرانەی لە قۆناغی هەڵبژاردنی سەرەتاییدا دیاری کراون (بۆ نموونە چەند سەد بابەتێک)، بە بەکارهێنانی تۆڕێکی دەماری جێبەجێکار بە وردی هەڵسەنگاندنیان بۆ دەکرێت. لەم قۆناغەدا، بۆ هەر جووتێک لە (بەکارهێنەر – بابەت)، پێشبینیی پلەبەندی و نمرەکە دەکرێت تاوەکو باشترین و گونجاوترین پێشنیازەکان دیاری ببن.

خۆگونجاندن و لایەنە ڕەوشتییەکان
هاوسەنگیی خێرایی و وردی: ژمارەی ئەو بابەتانەی لە قۆناغی سەرەتاییدا هەڵدەبژێردرێن، کاریگەریی ڕاستەوخۆیان لەسەر وردی و خێرایی سیستەمەکە هەیە؛ لەبەرئەوە پێویستە لە ڕێگەی تاقیکردنەوەی بەردەوامەوە گونجاوترین ژمارە دیاری بکرێت. وەکو لەسەرەوەش ئاماژەی پێ درا. ئەمە بۆ چووستی کاری سیستەمەکە لە کاتی ڕاستەقینەدا گرنگە.

بەرپرسیارێتیی ڕەوشتی: سیستەمەکانی پێشنیازکردن ڕووبەڕووی ئاڵینگاری ڕەوشتی دەبنەوە، چونکە توانای دروستکردنی کاریگەری یان زیانی نەخوازراویان هەیە. لەبەر ئەوە، بەکارهێنانی بەرپەرسیارانە و ژیرانەیان زۆر پێویستە. بۆ نموونە، ئەگەر سیستەمێک تەنها بەدوای ڕاکێشانی سەرنجی بەکارهێنەردا بێت، دەکرێت بە بێئاگایی بەرەو ئاڵوودەبوون یان بڵاوکردنەوەی زانیاریی هەڵە و وتاری ڕق و تین بیبات (وەک ئەوەی لە تۆڕە کۆمەڵایەتییەکاندا دەبینرێت). لەبەر ئەوە، پێویستە ئەلگۆریتمەکان بەجۆرێک ڕابهێنرێن کە هاوسەنگی لە نێوان حەزی بەکارهێنەر و تەندروستیی دەروونی و ڕاستیی زانیارییەکاندا ڕابگرن.

ماوەتەوە بڵێم کە فێرکارییەکە لە زۆر ڕووی ترەوە دەکرێت قسەی لەسەر بکرێت، بەتایبەتی لە گرفتەکانی کە لە بازرگانیدا دروستی دەکات کە مەبەستی تری لە پشتەوە هەبێت، بۆی هەیە ئەوە ببێتە بابەتێکی ترمان لە داهاتوویەکی نزیکدا.

سەرچاوەکان

١. کتێبی (ژ.د لە ژیانی ڕۆژانە و پیشەدا Künstliche Intelligenz für Alltag und Beruf)، لە نووسینی (Günter Hofbauerو ‎Ruimei Zhou)، چاپی ساڵی ٢٠٢٥
٢. کتێبی (سیستەمەکانی پێشنیازکردن Recommender Systems Handbook)، لە نووسینی (Francesco Ricci و Lior Rokach و Bracha Shapira)، چاپی ساڵی ٢٠٢٢
٣. کتێبی (فێربوونی قووڵ لە کرداری دەقدا Deep Learning for Search and Recommendation)، لە نووسینی (Tom Chao Zhou و Jun Xu)، چاپی ساڵی ٢٠٢٣

سەرنج: وێنەی سەرەکی بابەتەکە دەستکردی (chatGPT)یە، من بابەتەکەم پێدا و ئەو کردییە وێنەیەکی هێڵکاری.