بداية باردة
المحتويات
بدايةً، البداية الباردة (بالإنجليزية: Cold start) هي إحدى المشاكل المحتملة عند بناء أنظمة الاقتراح - Recommender system، حيث عندما يقوم مستعمل جديد في استخدام النظام، غالبًا لا يعرف النظام أي شي عن هذا المستعمل حتى يتسنى له أن يبني الاقتراحات المناسبة له. وفيما يلي تفاصيل أوسع عن ذلك.
الحلول
وفي هذا الصدد، يمكن الحصول على معلومات كافية عن المستعمل من خلال نشاطات المستعمل، مثل تاريخ التصفح أو إذا -مثلًا- كان المستعمل قد قرأ سابقاً عن فنان موسيقي معين، فإن نظام الاقتراح سيقوم باقتراح الإصدارات المتعلقة بهذا الفنان لاحقاً.
من جانب آخر، في أنظمة الاقتراح التي تعتمد التصفية التشاركية، هذه التقنيات يطلع عليها اسم استراتيجيات استنباط التقييم.
من جانب آخر، يتم الحد من مشكلة البداية الباردة في أنظمة الاقتراح من خلال استخدام مختلف الأساليب للتصفية. أولاً باستخدام أسلوب التصفية التشاركية، حيث أن المنتجات الجديدة التي لم تحصل على أية تقييمات من المستعملين، سيتم تقييمها بشكل تلقائي بناءً على المنتجات المشابهة لها والتي تم تقييمها من قبل المستعملين سابقاً. وباستخدام أسلوب التصفية بناءً على المحتوى، سيتم تحديد المنتجات المتشابهة بحسب الخصائص.
وفي هذا الصدد، هناك عدة حلول مقترحة للتخلص من مشكلة البداية الباردة، واحدة من الحلول الفعّالة هي تفعيل تقنيات تعلم الآلة، مثلًا انتقاء البيانات التي يمكن أن تطور نظام الاقتراح. هذا الحل يتم تنفيذه من خلال تحليل البيانات المتاحة وتقييم مدى فائدة هذه البيانات في معرفة ذوق المستعمل.
وعلى صعيد آخر، يمكن بناء مُعرّف مبدئي للمستعمل بناءً على السِمات الشخصية الخاصة به. واستخدام هذا المعرّف لمعرفة المقترحات المناسبة. ويتم تحديد شخصية المستعمل من خلال نموذج عناصر الشخصية الخمسة (FFM).
الأنظمة المتأثرة
في هذا الإطار، يقوم عادة نظام الاقتراح بمقارنة الملف الشخصي للمستعمل بمعايير مُعدة مسبقاً، حيث تتشكل هذه المعايير إما عن طريق المُنتجات التي يستعملها المستعمل أو عن طريق التصفية التشاركية - Collaborative filtering.
علاوةً على ذلك، ولكن-كذلك- بسبب مشكلة البداية الباردة، هذه الأسلوب سيفشل في اقتراح المنتجات الجديدة التي لا أحد من المستعملين قام بتقييمها أو تفضيلها أو حتى شرائها.
في هذا الإطار، تكمن مشكلة البداية الباردة غالبا في أنظمة الاقتراح، وهي أنظمة تقوم على طرق تصفية البيانات بما يتناسب مع ذائقة المستعمل الحالي للنظام.
ومن جهة أخرى، في أنظمة الاقتراح التي تعتمد التصفية بناءً على المحتوى (Content-based filtering)، أي المنتجات التي يستعملها المستعمل، يجب على النظام أن يحدد خصائصَ المنتج مقارنة مع ما يفضله المستعمل. وحتى يقوم بذلك، من المفترض أن يقوم النظام بجمع معلومات كافية عن ذوق المستعمل وتفضيلاته من خلال عملية استنباط المفضَّل -Preference elicitation. وهذه العملية إما أن تتم بشكل صريح حيث يُسأل المستعمل عن ذوقه وتفضيلاته، أو بشكل خفيّ عن طريق مراقبة سلوك المستعمل. في كلتا الحالتين؛ لا بد للمستعمل أن يستعمل النّظام وهو في حالة البداية - 'dumb 'state، حيث تكمن مشكلة البداية الباردة، ليُساهم في بناء معرفّه الشخصي، قبل أن يبدأ النظام بتقديم الاقتراحات الذكية.
علاوةً على ذلك، أما التي تعتمد أسلوب التصفية التشاركية (Collaborative filtering)، يقوم نظام الاقتراح بتحديد المستعملين الذين يتشابهون بتفضيلاتهم مع ذائقة المستعمل الحالي، وتقديم المنتجات التي نالت إعجاب هؤلاء المستعملين.
📝 هل في هذه المقالة خطأ؟
إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.
ما رأيك في هذه المقالة؟