A recommender system aims to provide users with personalized online product or service recommendations to handle the increasing online information overload problem and improve customer relationship management. Various recommender system techniques have been proposed since the mid-1990s, and many sorts of recommender system software have been developed recently for a variety of applications. Researchers and managers recognize that recommender systems offer great opportunities and challenges for business, government, education, and other domains, with more recent successful developments of recommender systems for real-world applications becoming apparent. It is thus vital that a high quality, instructive review of current trends should be conducted, not only of the theoretical research results but more importantly of the practical developments in recommender systems. This paper therefore reviews up-to-date application developments of recommender systems, clusters their applications into eight main categories: e-government, e-business, e-commerce/e-shopping, e-library, e-learning, e-tourism, e-resource services and e-group activities, and summarizes the related recommendation techniques used in each category. It systematically examines the reported recommender systems through four dimensions: recommendation methods (such as CF), recommender systems software (such as BizSeeker), real-world application domains (such as e-business) and application platforms (such as mobile-based platforms). Some significant new topics are identified and listed as new directions. By providing a state-of-the-art knowledge, this survey will directly support researchers and practical professionals in their understanding of developments in recommender system applications

چکیده

هدف از یک سیستم توصیه گر، ارائه توصیه ها و پیشنهادات آنلاین شخصی از محصول و یا سرویس به کاربر و آن هم به منظور مدیریت مسئله سربار اطلاعات آنلاین و بهبود مدیریت رابطه مشتری می باشد. تکنیک های مختلفی برای سیستم توصیه گر از اواسط دهه 1990 میلادی ارائه گردیده اند و نرم افزارهای زیادی نیز در این راستا با طیف گسترده ای از کاربردها ارائه گردیده اند. محققین و مدیران تشخیص داده اند که کسب و کارها، دولت، بخش آموزش و سایر دامنه ها با فرصت ها و چالش های زیادی در سیستم های توصیه گر روبرو بوده و اخیراً نیز شاهد دستاوردهای موفقیت آمیزی در حوزه سیستم های توصیه گر برای کاربردهای واقعی بوده ایم. بنابراین ضروری است تا روندهای موجود در حوزه‌ی سیستم های توصیه گر را به شکلی با کیفیت مورد بازبینی قرار دهیم و صرفاً نباید به نتایج پژوهشی تئوریک تمرکز کنیم بلکه باید دستاوردهای عملی در حوزه‌ی سیستم های توصیه گر را نیز مد نظر قرار دهیم. بنابراین در این مقاله قصد داریم به بازبینی دستاوردهای کاربردی بروزی از سیستم های توصیه گر بپردازیم و کاربرد آنها را به 8 دسته بندی اصلی تقسیم کنیم: دولت الکترونیک، کسب و کار الکترونیک، تجارت الکترونی/خرید الکترونیک، کتابخانه الکترونیکی، یادگیری الکترونیکی، توریسم الکترونیکی، سرویس های منبع الکترونیکی و فعالیت های گروه الکترونیکی؛ همچنین خلاصه ای از تکنیک های توصیه گر مربوطه در هر دسته بندی را ارائه می دهیم. به شکلی سامانمند، در قالب 4 بعد به بررسی سیستم های توصیه گر می پردازیم: متدهای توصیه (مانند CF)، نرم افزار سیستم های توصیه گر (مانند BizSeeker)، دامنه های کاربردی واقعی (مانند کسب و کار الکترونیک) و پلت فرم های کاربردی (مانند پلت فرم های موبایلی). مباحث جدیدی در حوزه سیستم های توصیه گر را نیز به عنوان جهت گیری های جدید ارائه می دهیم. با ارائه اطلاعات جدید، به صورت مستقیم از محققین و متخصصین این حوزه برای درک دستاوردها در کاربردهای سیستم توسعه گر پشتیبانی می کنیم.

1-مقدمه

سیستم های توصیه گر را می توان به عنوان برنامه هایی تعریف کرد که تلاش می کنند تا مناسب ترین آیتم ها (محصولات یا سرویس ها) را به کاربران خاصی (افراد یا کسب و کارها) توصیه کنند، بدین شکل که علایق و گرایش کاربر به یک آیتم را بر مبنای اطلاعات مربوط به آیتم ها، کاربران و تعامل بین آیتم ها و کاربران پیش بینی می کنند [1]. هدف از توسعه سیستم های توصیه گر این بوده که سربار اطلاعاتی را به وسیله بازیابی مرتبط‌ترین اطلاعات و سرویس ها کاهش داده و بتوان سرویس هایی سفارشی و شخصی را برای کاربر تدارک دید. مهم ترین ویژگی یک سیستم توصیه گر، توانایی آن در حدس گرایش ها و علایق کاربر می باشد که برای اینکار، رفتار این کاربر و یا سایر کاربران را تحلیل نموده تا بتواند توصیه های سفارشی را ایجاد نماید...