حصلت طالبة الدكتوراه (هدى ناجي نواف) التدريسية في كلية تكنولوجيا المعلومات قسم شبكات المعلومات على درجة الدكتوراه في علوم الحاسبات عن رسالتها الموسومة (تحسين انظمة التوصية باستخدام اصطفاف السلاسل) .وقد تألفت لجنة المناقشة من الاساتذة(د.غسان حميد / رئيسا- د. ممتاز محمد علي/ عضوا – د. حسين كيطان /عضوا- د. حيدر مهدي/ عضوا- د. حسين عطيه/ عضوا- د.وسام سمير بهيه/ مشرف الرسالة وعضو) .وقد كان فحوى الرسالة يعالج حالة من الحالات التي تواجهنا باستمرار في حياتنا العملية حيث غالبا ما يكون من الضروري للزبائن اتخاذ قرار امام عدد من الخيارات عند تسوق منتجات، كتب، موسيقى، او افلام دون وجود خبرة شخصية كافية للبدائل.
ففي حياتنا اليومية يمكننا الاعتماد على التوصيات(Recommendations) من اشخاص اخرين عند اتخاذ قرار معين للاستفادة من خبرتهم. انظمة التوصية (Recommendation Systems) في العالم الافتراضي تقترح عدد من الخيارات لزبون معين من خلال تخمين التقدير (Rating) او التفضيل (preference ) لمنتج معين اعتمادا على رغبات الاشخاص الاخرين المشابهين له من ناحية السلوك في الشراء.
حيث تم من خلال الرسالة اقتراح موديل لنمذجة سلوك المستخدمين مع الاخذ بنظر الاعتبار التغير بسلوك الافراد والذي ينعكس بدوره على التغير في انتماءاتهم لمجتمعات مختلفة عبر فترتين زمنيتين مختلفتين. والغرض من اقتراح الموديل هو لتحسين التوصيات لتكون متوافقة بنسبة جيدة مع رغبات الاشخاص. اداة اصطفاف او ترصيف السلاسل (sequence alignment) استخدمت لتحليل سلوك المستخدمين عبر فترتين زمنيتين مختلفتين لخلق شبكتين للتشابه بين المستخدمين، كل شبكة تتعلق بفترة زمنية معينه وحاصل ضرب شبكتي التشابه يعطينا شبكة واحدة لتحسن التشابه بين المستخدمين الذين يتميز سلوكهم بالثبوتية في كلا الفترتين.تم ايجاد مجتمعات المستخدمين بواسطة الخوارزميات الطيفية (spectral algorithms) ، وان التوصيات لكل مستخدم تم توليدها في كل مجتمع باستخدام نموذجي (Naïve Bayes) و (Association Rule) كخوارزميات تخمينية فقد تم قياس النتائج مع اساليب اخرى مماثله عندما يتم دمج الفترتين الزمنيتين كفترة زمنية واحدة وعندما يتم تطبيق النموذجين Naïve Bayes وال Association Rulesعلى مجتمع واحد.اضافة الى ذلك تم مقارنة الاداء التخميني لخوارزمية Association rules مع الاداء التخميني لخوارزمية .Naïve Bayes وتم تقييم اداء الخوارزميتين على ثلاثة انواع من البيانات MovieLens , HetRec 2011 و Netflix باستخدام مقاييس الدقة القياسية على سبيل المثال Recall Precision و F-measure يبين التقييم التجريبي ان نظام التوصية المقترح والذي اخذ بنظر الاعتبار الثبوتية في سلوك المستخدمين عبر الزمن وايضا تقسيم المستخدمين الى مجتمعات يحسن من الاداء اكثر من طريقة التخصيص القياسية والتي لم تاخذ بنظر الاعتبار الثبوتية في السلوك عبر الزمن والطريقة القياسية الاخرى والتي تعامل المستخدمين كمجتمع واحد. من الجدير بالذكر انه لاتوجد خوارزمية واحدة تعتبر مثالية لجميع انواع البيانات طالما ان اداء الخوارزمية يختلف باختلاف مجموعة البيانات.
|