توصیه‌گر هوشمند با پایتون: ساخت Recommendation System پایه 🧠🛒

آیا تا به حال فکر کرده‌اید که نتفلیکس چگونه فیلم مورد علاقه شما را پیشنهاد می‌دهد، یا آمازون از کجا می‌داند که شما به خرید یک کتاب خاص فکر می‌کنید؟ این جادو نیست، بلکه نتیجه کار سیستم‌های توصیه‌گر (Recommendation Systems) است. این سیستم‌ها ستون فقرات تجارت الکترونیک، پلتفرم‌های پخش محتوا و رسانه‌های اجتماعی هستند و هدف آن‌ها افزایش تعامل کاربر و در نهایت، افزایش فروش است. پایتون (Python) به دلیل کتابخانه‌های قدرتمند خود در حوزه علم داده (مثل Pandas و Scikit-learn)، زبان اصلی برای ساخت و پیاده‌سازی این سیستم‌هاست. در این مقاله، اصول ساخت یک توصیه‌گر پایه را با رویکرد فیلترینگ مشارکتی (Collaborative Filtering) بررسی می‌کنیم.

چرا به سیستم توصیه‌گر نیاز داریم؟ (مشکل انتخاب) ❓

در دنیایی با میلیون‌ها محصول، کاربران اغلب دچار فلج انتخاب (Choice Paralysis) می‌شوند. سیستم توصیه‌گر این مشکل را با فیلتر کردن هوشمندانه و شخصی‌سازی‌شده حل می‌کند.

• افزایش فروش: آمازون گزارش داده که درصد قابل توجهی از فروش آن مستقیماً از توصیه‌های سیستم‌هایش ناشی می‌شود.
• بهبود تجربه کاربری: کاربر احساس می‌کند که پلتفرم او را می‌شناسد و این باعث وفاداری بیشتر می‌شود.
• کشف محصولات جدید (Discovery): سیستم می‌تواند محصولاتی را که کاربر از وجود آن‌ها بی‌خبر بوده، معرفی کند.

انواع توصیه‌گرها: فیلترینگ مشارکتی (Collaborative Filtering) 🤝

این متداول‌ترین و قدرتمندترین روش توصیه‌سازی است. فیلترینگ مشارکتی به دو دسته اصلی تقسیم می‌شود:

پروژه عملی: محاسبه تشابه کسینوسی با Scikit-learn 🐍

برای ساخت توصیه‌گر مبتنی بر کالا، ابتدا باید میزان شباهت بین کالاها را محاسبه کنیم.

import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# 1. داده ساختگی (تعاملات کاربر: ردیف=کاربر، ستون=محصول)
# 1 = خرید/لایک، 0 = بدون تعامل
data = {
    'User': ['A', 'B', 'C', 'D'],
    'Item1': [1, 0, 1, 1],
    'Item2': [0, 1, 0, 1],
    'Item3': [1, 1, 0, 0],
}
df = pd.DataFrame(data).set_index('User')
print("--- ماتریس تعامل کاربر-کالا ---")
print(df)

# 2. محاسبه تشابه بین کالاها (Item-Based)
# برای این کار، ماتریس را transpose می‌کنیم (کالاها ردیف می‌شوند)
item_matrix = df.transpose()

# 3. محاسبه تشابه کسینوسی
# نتیجه یک ماتریس N x N است که تشابه هر کالا را با بقیه نشان می‌دهد
item_similarity = cosine_similarity(item_matrix)
item_similarity_df = pd.DataFrame(item_similarity, 
                                  index=item_matrix.index, 
                                  columns=item_matrix.index)

print("\n--- ماتریس تشابه کسینوسی بین کالاها ---")
print(item_similarity_df)

# 4. توصیه‌سازی (مثال: شبیه Item1 چیست؟)
item1_recs = item_similarity_df['Item1'].sort_values(ascending=False).iloc[1:]
print("\nتوصیه برای Item1:\n", item1_recs)
        

خروجی ماتریس تشابه کسینوسی به ما می‌گوید که مثلاً Item2 و Item3 شبیه به هم هستند یا نه. بر اساس این اعداد، ما محصولات بعدی را به کاربر پیشنهاد می‌دهیم.

چالش‌های سیستم توصیه‌گر (What’s Next) 🚧

توصیه‌گرهای واقعی با چالش‌های بزرگی روبرو هستند:

• سردی شروع (Cold Start): اگر کاربر جدید باشد و تعاملی نداشته باشد، یا محصول جدید باشد، مدل داده کافی برای توصیه‌سازی ندارد.
• مقیاس‌پذیری (Scalability): در پلتفرم‌های بزرگ، ماتریس تشابه به قدری عظیم می‌شود که محاسبات آن کند و پرهزینه است. در این حالت، از روش‌های پیچیده‌تر مانند **Decomposition Matrix** استفاده می‌شود.
• تنوع (Diversity): سیستم نباید فقط محصولات مشابه را پیشنهاد دهد (مثلاً اگر همیشه یک نوع قهوه می‌خرم، گاهی باید چای جدیدی پیشنهاد شود).

جمع‌بندی: قلب هوش تجاری ✅

سیستم‌های توصیه‌گر یکی از کاربردی‌ترین پیاده‌سازی‌های یادگیری ماشین در کسب‌وکار هستند. با تسلط بر پایتون و کتابخانه‌های علم داده، شما می‌توانید مستقیماً بر درآمدهای یک پلتفرم تأثیر بگذارید. این مهارت‌ها، از جمله فیلترینگ مشارکتی، سنجه‌های شباهت و مدیریت داده‌های بزرگ، بخشی ضروری از دوره‌های آموزش پایتون و علم داده در آموزشگاه البرز است.