[rtl]في الآونة الأخيرة ، أصبحت المحرك توصية في كل مكان! معظم العلامات التجارية الكبرى تستخدمه، بما في ذلك Facebook و Amazon و Netflix وغير ذلك الكثير.[/rtl]
[rtl]ولكن ما هي المحرك توصية وكيف يعمل؟[/rtl]
[rtl]بمعنى آخر ، يحتوي نظام التوصية على الكثير من التقنيات والخوارزميات المستخدمة للتوصية بالعناصر الأكثر صلة للمستخدم بناءً على ما بحث عنه من قبل. مثل Youtube و Netflix والمقالات وما إلى ذلك.[/rtl]
[rtl]يتم ترتيب العناصر وفقًا للأكثر صلة بالمستخدم.[/rtl]
[rtl]دعنا نتعمق في المزيد ونعرف كل نوع منهم.[/rtl]
[rtl]لحساب أوجه التشابه هذه ، تستخدم التصفية التعاونية شيئًا يسمى صيغة المصفوفة. وهناك ميزة للتصفية التعاونية ، وهي أنها لا تحتاج إلى تحليل أو فهم نوع المحتوى ، سواء كان مقالًا أو مقطع فيديو أو أيًا كان. إنه يختار العناصر بناءً على ما تعلموه عن هذا المستخدم[/rtl]
[rtl]تحت مظلة التصفية التعاونية ، هناك مجموعتان فرعيتان: الأساليب القائمة على الذاكرة والطرق القائمة على النموذج.[/rtl]
[rtl]الطريقة المستندة إلى الذاكرة هي أبسط طريقة لأنها لا تستخدم أي نموذج على الإطلاق ، لأنها تفترض أن التنبؤ يمكن أن يتم على ذاكرة نقية للبيانات السابقة أينما كانت.[/rtl]
[rtl]تختلف الطريقة المستندة إلى النموذج ، حيث يُفترض دائمًا بعض النماذج الأساسية ، وحاول التأكد من أن أي تنبؤات تخرج ستناسب هذا النموذج جيدًا.[/rtl]
[rtl]لهذا السبب عندما تقوم بالتسجيل في العديد من مواقع الويب ، فإنهم يسألون عن جنسك وتاريخ ميلادك. إنها بيانات تساعد على توقع أنظمتهم بشكل أفضل.[/rtl]
[rtl]في Talent Supplier ، ندعم التقنيات الجديدة ونبحث دائمًا عن مطورين يحبون التعلم والعمل فيها[/rtl]
[rtl]ولكن ما هي المحرك توصية وكيف يعمل؟[/rtl]
[rtl]المحرك توصية [/rtl]
[rtl]إنه نوع من أدوات تصفية البيانات التي تستخدمها خوارزميات التعلم الآلي للتوصية بالعنصر الأكثر صلة بمستخدم معين. يعمل على إيجاد الأنماط في بيانات سلوك المستهلك.[/rtl][rtl]بمعنى آخر ، يحتوي نظام التوصية على الكثير من التقنيات والخوارزميات المستخدمة للتوصية بالعناصر الأكثر صلة للمستخدم بناءً على ما بحث عنه من قبل. مثل Youtube و Netflix والمقالات وما إلى ذلك.[/rtl]
[rtl]يتم ترتيب العناصر وفقًا للأكثر صلة بالمستخدم.[/rtl]
[rtl]ما هي أنواع توصيات المحرك؟[/rtl]
[rtl] محرك توصية لها ثلاثة أنواع رئيسية ، وهي الترشيح التعاوني ، والتصفية القائمة على المحتوى - والهجين من الاثنين.[/rtl][rtl]دعنا نتعمق في المزيد ونعرف كل نوع منهم.[/rtl]
[rtl]تصفية التعاونية[/rtl]
[rtl]يركز على جمع بيانات المستخدم مثل سلوكه وتفضيلاته وأنشطته وما إلى ذلك ، ثم تحليل هذه البيانات للتنبؤ بما سيحبه المستخدم بناءً على تشابهه مع المستخدمين الآخرين.[/rtl][rtl]لحساب أوجه التشابه هذه ، تستخدم التصفية التعاونية شيئًا يسمى صيغة المصفوفة. وهناك ميزة للتصفية التعاونية ، وهي أنها لا تحتاج إلى تحليل أو فهم نوع المحتوى ، سواء كان مقالًا أو مقطع فيديو أو أيًا كان. إنه يختار العناصر بناءً على ما تعلموه عن هذا المستخدم[/rtl]
[rtl]تحت مظلة التصفية التعاونية ، هناك مجموعتان فرعيتان: الأساليب القائمة على الذاكرة والطرق القائمة على النموذج.[/rtl]
[rtl]الطريقة المستندة إلى الذاكرة هي أبسط طريقة لأنها لا تستخدم أي نموذج على الإطلاق ، لأنها تفترض أن التنبؤ يمكن أن يتم على ذاكرة نقية للبيانات السابقة أينما كانت.[/rtl]
[rtl]تختلف الطريقة المستندة إلى النموذج ، حيث يُفترض دائمًا بعض النماذج الأساسية ، وحاول التأكد من أن أي تنبؤات تخرج ستناسب هذا النموذج جيدًا.[/rtl]
[rtl]التصفية على أساس المحتوى[/rtl]
[rtl]تعمل التصفية المستندة إلى المحتوى على الطريقة التي إذا كان المستخدم يحب عنصرًا معينًا ، فسيحب هذا العنصر الآخر أيضًا. لتقديم توصية ، تستخدم الخوارزمية ملف تعريف تفضيل المستخدم (نوع المنتج والنوع واللون وطول المنتج) لمعرفة تشابه العناصر.[/rtl][rtl]لهذا السبب عندما تقوم بالتسجيل في العديد من مواقع الويب ، فإنهم يسألون عن جنسك وتاريخ ميلادك. إنها بيانات تساعد على توقع أنظمتهم بشكل أفضل.[/rtl]
[rtl]نموذج هجين[/rtl]
[rtl]يمكن لمحرك نموذج التوصية المختلط أن ينظر إلى بيانات التصفية التعاونية وبيانات التصفية المستندة إلى المحتوى ، ولهذا السبب يمكن أن يتفوق على النموذجين السابقين.[/rtl][rtl]في Talent Supplier ، ندعم التقنيات الجديدة ونبحث دائمًا عن مطورين يحبون التعلم والعمل فيها[/rtl]