الذكاء الاصطناعي

بناء نظام توصية باستخدام التعلم الآلي

Published March 12, 2023

Updated April 28, 2026

Haziqa Sajid

يزداد إنتاج بيانات العملاء على الصعيد العالمي بسرعة غير مسبوقة. وتستفيد الشركات من الذكاء الاصطناعي والتعلم الآلي لاستخدام هذه البيانات بطرق مبتكرة. يمكن لنظام التوصية المدعوم بالتعلم الآلي استخدام بيانات العملاء بشكل فعال لتحسين تجربة المستخدم، وزيادة المشاركة والاحتفاظ، وزيادة المبيعات في النهاية.

على سبيل المثال، في عام 2021، Netflix أفادت أن نظام التوصية الخاص بها ساعد في زيادة الإيرادات بمقدار 1 مليار دولار في السنة. وشركة Amazon هي شركة أخرى تستفيد من تقديم توصيات مخصصة للعملاء. في عام 2021، أفادت Amazon أن نظام التوصية الخاص بها ساعد في زيادة المبيعات بنسبة 35٪.

في هذا المقال، سنستكشف أنظمة التوصية بالتفصيل ونسرد عملية خطوة بخطوة لإنشاء نظام توصية باستخدام التعلم الآلي.

ما هو نظام التوصية؟

نظام التوصية هو خوارزمية تستخدم تحليل البيانات وتقنيات التعلم الآلي لاقتراح معلومات ذات صلة (أفلام، فيديوهات، عناصر) للمستخدمين الذين قد يجدونها مثيرة للاهتمام.

تتحليل هذه الأنظمة كميات كبيرة من البيانات حول سلوك المستخدمين السابق، والتفضيلات، والمصالح باستخدام خوارزميات التعلم الآلي مثل التجميع، والمرشح التعاوني، والشبكات العصبية العميقة لتوليد توصيات مخصصة.

Netflix، وAmazon، وSpotify هي أمثلة معروفة لأنظمة التوصية القوية. تقدم Netflix اقتراحات أفلام مخصصة، وتقترح Amazon المنتجات بناءً على المشتريات السابقة وتاريخ التصفح، وتقدم Spotify قوائم تشغيل مخصصة واقتراحات الأغاني بناءً على تاريخ الاستماع والتفضيلات.

عملية خطوة بخطوة لإنشاء نظام توصية باستخدام التعلم الآلي

1. تحديد المشكلة وصياغة الهدف

الخطوة الأولى هي تحديد المشكلة التي سوف يحلها نظام التوصية. على سبيل المثال، نريد إنشاء نظام توصية يشبه نظام Amazon الذي يقترح المنتجات على العملاء بناءً على مشترياتهم السابقة وتاريخ التصفح.

الهدف المحدد جيدًا يساعد في تحديد البيانات المطلوبة، واختيار النماذج المناسبة للتعلم الآلي، وتقييم أداء نظام التوصية.

2. جمع البيانات ومعالجتها

الخطوة التالية هي جمع البيانات حول سلوك العملاء، مثل مشترياتهم السابقة وتاريخ التصفح والمراجعات والتقييمات. يمكننا استخدام Apache Hadoop و Apache Spark لمعالجة كميات كبيرة من بيانات الأعمال.

بعد جمع البيانات، يقوم مهندسو البيانات بمعالجة البيانات وتحليلها. يتضمن هذا الخطوة تنظيف البيانات، وإزالة المكررات، ومعالجة القيم الناقصة. كما يقوم مهندسو البيانات بتحويل هذه البيانات إلى صيغة مناسبة للخوارزميات التعلم الآلي.

توجد بعض المكتبات الشهيرة لمعالجة البيانات باللغة بايثون:

Pandas: توفر طرقًا لمعالجة البيانات، والتحويل، والتحليل
NumPy: توفر حسابات رقمية قوية للمصفوفات والمتجهات.

3. تحليل البيانات الاستكشافي

يساعد تحليل البيانات الاستكشافي في فهم توزيع البيانات والعلاقات بين المتغيرات التي يمكن استخدامها لتوليد توصيات أفضل.

على سبيل المثال، يمكنك تصور أي العناصر يتم بيعها أكثر في الربع الأخير. أو أي العناصر يتم بيعها أكثر عند شراء العملاء لعنصر معين، مثل البيض يتم بيعها أكثر مع الخبز والزبدة.

توجد بعض المكتبات الشهيرة لتحليل البيانات الاستكشافي باللغة بايثون:

Matplotlib: توفر طرقًا لتصور البيانات لإنشاء مخططات مختلفة مثل المخططات العرضية، والمخططات المتفرقة، والمخططات الدائرية، إلخ.
Seaborn: توفر طرقًا لإنشاء تصورات أكثر تقدمًا مثل مخططات الحرارة ومخططات الأزواج.
Pandas Profiling: توليد تقرير بالاحصاءات الوصفية والتصورات لكل متغير في مجموعة بيانات.

4. هندسة الميزات

تتضمن هندسة الميزات اختيار أفضل الميزات لتدريب نموذج التعلم الآلي. تتضمن هذه الخطوة إنشاء ميزات جديدة أو تحويل الميزات الحالية لجعلها أكثر ملاءمة لنظام التوصية.

على سبيل المثال، في بيانات العملاء، الميزات مثل تقييمات المنتجات، وتواتر الشراء، والديموغرافيا للعملاء أكثر صلة لإنشاء نظام توصية دقيق.

توجد بعض المكتبات الشهيرة لتنفيذ هندسة الميزات باللغة بايثون:

Scikit-learn: تتضمن أدواتًا لاختيار الميزات واستخراج الميزات، مثل تحليل المكونات الرئيسية (PCA) وتجميع الميزات.
Category Encoders: توفر طرقًا لترميز المتغيرات التصنيفية، أي تحويل المتغيرات التصنيفية إلى ميزات رقمية.

5. اختيار النموذج

الهدف من اختيار النموذج هو اختيار أفضل خوارزمية للتعلم الآلي التي يمكنها التنبؤ بدقة بالمنتجات التي يحتمل أن يشتريها العميل أو الفيلم الذي يحتمل أن يشاهده بناءً على سلوكه السابق.

بعض من هذه الخوارزميات هي:

i. المرشح التعاوني

المرشح التعاوني هو تقنية توصية شائعة، والتي تفترض أن المستخدمين الذين يشاركون تفضيلات مماثلة يحتمل أن يشتروا منتجات مماثلة، أو منتجات تتمتع بميزات مماثلة يحتمل أن يشتروها العملاء.

ii. المرشح المبني على المحتوى

يتضمن هذا النهج تحليل سمات المنتجات، مثل العلامة التجارية، والفئة، أو السعر، واقتراح منتجات تتوافق مع تفضيلات المستخدم.

iii. المرشح الهجين

المرشح الهجين يجمع بين تقنيات المرشح التعاوني والمرشح المبني على المحتوى لتحقيق دقة أكبر في التوصيات من خلال استغلال نقاط قوة كل منهما.

6. تدريب النموذج

تتضمن هذه الخطوة تقسيم البيانات إلى مجموعات تدريب واختبار واستخدام الخوارزمية المناسبة لتدريب نموذج التوصية. بعض خوارزميات تدريب نظام التوصية الشهيرة تشمل:

i. تحليل العوامل

تتنبأ هذه التقنية بالقيم الناقصة في مصفوفة نادرة. في سياق أنظمة التوصية، يتنبأ تحليل العوامل بتقييمات المنتجات التي لم يشترها أو يقيّمها المستخدم بعد.

ii. التعلم العميق

يتضمن هذا النهج تدريب الشبكات العصبية لتعلم الأنماط والعلاقات المعقدة في البيانات. في أنظمة التوصية، يمكن للتعلم العميق تعلم العوامل التي تؤثر على تفضيل أو سلوك المستخدم.

iii. تعدين القواعد التجميعية

هي تقنية تعدين بيانات يمكنها اكتشاف الأنماط والعلاقات بين العناصر في مجموعة بيانات. في أنظمة التوصية، يمكن لتعدين القواعد التجميعية تحديد مجموعات من المنتجات التي يتم شراؤها بشكل متكرر معًا واقتراح هذه المنتجات للمستخدمين.

يمكن تنفيذ هذه الخوارزميات بفعالية باستخدام مكتبات مثل Surprise، Scikit-learn، TensorFlow، وPyTorch.

7. ضبط المعاملات

لتحسين أداء نظام التوصية، يتم ضبط المعاملات مثل معدل التعلم، ومدى التنظيم، وعدد الطبقات المخفية في شبكة عصبية. تتضمن هذه التقنية اختبار مجموعات مختلفة من المعاملات واختيار المجموعة التي تؤدي إلى أفضل أداء.