تحلیل فارسی محاوره‌ای

قبلا هم از کامنتوم نوشتم. این سرویس به کمک recommender.ir میاد تا تحلیل کامنت‌های عجیب‌ و غریب کاربرای ایرانی در محیط‌های آنلاین رو ممکن کنه.
تصاویر زیر رو ملاحظه کنید:

نمونه اول:
samplecomments1

نمونه دوم:

samplecomments2

و طی آخرین بهبود‌های انجام شده حالا یک صفحه وب ساده هم برای تست سرویس توسعه دادیم:

photo_2016-11-16_15-17-18

در تصویر بالا بهبود‌های حاصل در شناسایی کلید‌واژه‌های چند سیلابی را نیز مشاهده می‌کنید.

این سرویس قرار بود تنها در خدمت recommender.ir به ارائه خدمت بپردازد. ولی پس از پیشرفت‌های اولیه به این نتیجه رسیدیم که برای کسب‌و‌کارهایی که فارغ از رکامندر به سامانه تحلیل کامنت‌های محاوره‌ای کاربران فارسی زبان نیاز دارند، به صورت مستقل سرویس بدهد.

در پیاده‌سازی کامنتوم،‌ ترکیبی از فناوری‌های متنوع یادگیری‌ماشین و پردازش داده‌های بزرگ را به‌ کار گرفته‌ایم. این سرویس هم اکنون برای ارائه خدمت به یک استارتاپ که در حوزه خدمات جانبی اینستاگراف فعالیت می‌کند توسعه میابد.

سعی کردیم همچنان سرعت و کیفیت‌ رو در حد استاندارد‌های جهانی (۱۰۰ میلی‌ثانیه) حفظ کنیم. هر کامنت در زمانی کمتر از ۱۰۰ میلی‌ثانیه پردازش شده و نتایج در اختیار سایت فراخواننده قرار می‌گیره.

این سرویس مستقل از زیان است.

کامنتوم بخشی از سوییت recommender.ir است.

نسخه ۲.۷ رکامندر با قابلیت‌هایی کم‌نظیر آماده شد

با پایان شهریور نسخه ۲.۷ رکامندر آماده بهره برداری شد. در طول توسعه این نسخه از راهنمایی‌های متخصصین حوزه تجارت الکترونیک بهرمند بودیم. لذا این نسخه در حوزه تجارت الکترونیک، قابلیت‌هایی کم نظیر معرفی می‌کند.

فراز و نشیب‌های آیتم‌/ویژگی‌های معمولی(غیر داغ)

نسخه ۲.۷ قابلیت‌های کم نظیری در زمینه نظارت بر فراز و نشیب علایق کاربران و استفاده حداکثری از گرایشات حداقلی کاربران دارد. تا قبل از نسخه ۲.۷ قادر به معرفی داغ ترین آیتم‌های کسب‌و‌کار در بازه‌های زمانی گوناگون بودیم. از این پس می‌توانید آیتم‌های میانی (غیر محبوب) کسب و کار خود را نیز رصد و مقایسه کنید. این مقایسه در سطوح کالا و ویژگی‌های کالا صورت می‌پذیرد.

برای مثال مقایسه یک آب میوه‌گیری معمولی از برندی نه چندان مشهور، با آیتم‌های مشابه از نظر اقبال کاربران نسبت به این آیتم‌ها و ویژگی‌های آنها میسر شده است. این مقایسه‌های بلادرنگ امکان محدود کردن دامنه بررسی و رصد را به کالا‌هایی خاص میسر می‌کند. پس کسب و کار میتواند هر کالا را در کلاس مورد نظر مورد بررسی و رصد قرار دهد.

مثال:

دستور زیر آیتم‌های ۱۰ الی ۱۴ را به لیست آیتم‌های تحت نظارت می‌افزاید. این آیتم‌ها ممکن است از بین هزاران آیتم انتخاب شده باشند:

supervisedItemsAdd/item10/item11/item12/item13/item14/item25/item34/item46/item22/item29

سپس توسط فراخوانی متد‌های زیر می‌توان به صورت مقایسه‌ای فراز و نشیب رشد علاقمندی کاربران به این‌آیتم‌ها را محاسبه کرد:

supervisedTrendLongTime:
[[“item12”,136.0],[“item10”,120.0],[“item13”,117.0],[“item11”,116.0],[“item14”,110.0]
,[“item34”,58.0],[“item46”,47.0],[“item29”,37.0],[“item25”,36.0],[“item22”,24.0]]

supervisedTrendMidTime:
[[“item34”,15.0],[“item11”,14.0],[“item12”,14.0],[“item46”,12.0],[“item25”,10.0],
[“item10”,8.0],[“item14”,8.0],[“item22”,7.0],[“item13”,7.0],[“item29”,5.0]]

 

همچنین می‌توانید ویژگی‌های آیتم‌ها را رصد و مقایسه کنید. در اینجا دور رنگ مشکی و سفید تحت نظارت قرار گرفته و در بازه‌های بلند‌مدت و کوتاه مدت (احتمالا به دلیل تغییر فصل) مورد محاسبه قرار گرفته اند:

supervisedTermsAdd/White/Black

supervisedTermTrendLongTime:

[["White",1258.0],["Black",1027.0]]

supervisedTermTrendShortTime:

[["Black",56.0],["White",44.0]]

چند سطر بالا بیانگر این موضوع هستند که رنگ مشکی دربازه زمانی طولانی محبوب بوده ولی در کوتاه مدت گرایش کاربران به سمت رنگ سفید است…

تصویر زیر به حوزه تحت پوشش کاربرد‌های جدید می‌پردازد. در نسخه ۲.۷ تمامی کالا‌ها بدون اغماض تحت رصد بلادرنگ قرار می‌گیرند:

trenddetection-expanation-copy

پیشنهاد‌هایی جذاب برای آخرین ثانیه‌ها

در یک سایت تجارت الکترونیکی هنگامی که کاربر سبد خرید خود را تشکیل داده و آماده پرداخت می‌شود، فرصتی ارزشمند پدید می‌آید.

فرصتی برای راهنمایی وی در جهت هر چه غنی تر ساختن سبد خرید که منجر به افزایش رضایت وی و همچنین افزایش سود‌آوری می‌شود.

برای این آخرین ثانیه‌ها کاربرد‌هایی کم‌نظیر توسعه داده‌ایم. این کاربرد بر اساس وابستگی‌کالاها به یکدیگر (از نظر تقدم و تاخر در خرید) و همبستگی (Correlation) آیتم‌های قبلا خریداری شده عمل ‌می‌کند.

 

complementaccesories

برای فراخوانی این کاربرد کافیست آيتم‌هایی که کاربر در کارت خرید خود قرار داده است، به سرویس اعلام‌ نموده و فهرستی از آیتم‌های تکمیلی دریافت کنید. بفرض اینکه مشتری آيتم‌های ۳۶، ۲۴، ۵۰ و ۶۸ را در کارت خرید خود قرار داده است، ۱۰ آیتم پیشنهاد شده، بالاترین شانس تکمیل کارت خرید وی را دارا هستند:

 

mostDependentItems/item36/item24/item50/item68

[["item43",1.0],["item55",1.0],["item21",1.0],["item12",1.0],["item14",1.0],["item35",1.0]
,["item69",0.42910236],["item09",0.42357954],["item11",0.40323222],["item45",0.3912821]]

 

افزایش پایداری و بروز‌رسانی های بدون توفف

از این پس قادریم سرویس مشتری را بدون حتی یک ثانیه قطعی، بروز آوری کنیم. همچنین حوادثی همچون قطع برق و خرابی سخت افزار، در کارکرد سرویس خللی وارد نمی ‌سازد.  این نسخه از بهبود‌هایی اساسی در زمینه توازن بار (Load Balancing) و قابلیت دسترسی (High Availability) پویا بهره می‌برد. مدیریت پیکربندی و تغییرات در سمت سرویس ما انجام می‌پذیرد. لذا کسب و کار شما تنها به فراخوانی پیوسته کاربرد‌ها می‌پردازد.

تصویر زیر چگونگی پیکربندی سرویس‌ها در هنگام بهره‌برداری از قابلیت جدید است:

lbha

ترجمه کامنت به علاقمندی/عدم علاقمندی

در بسیاری موارد کاربران اینترنتی با نوشتن کامنت علاقه/عدم‌علاقه خود نسبت به یک کالا یا محتوا را اعلام می‌کنند. با فراخوانی کارکرد جدید comment می‌توانید کامنت‌های کاربران را نیز به علاقمندی ترجمه کنید. به مثال زیر توجه کنید:

comment_analysis%db%b2

کامنتوم از ابتدای مرداد به ارائه خدمت می‌پردازد. بهبودی که در نسخه ۲.۷ رکامندر انجام شد، دریافت کامنت‌ها توسط رکامندر و ارجاع آن به کامنتوم بود. در نسخه‌های قبل کامنت مستقیما به کامنتوم ارسال می‌شد.

 

لطفا نظرات و پیشنهادات خود را با ما در میان بگذارید.

کامنتوم، راه‌حلی برای تحلیل کامنت و ترجمه‌ آن به علاقمندی

پیرو همکاری در یک پروژه تحقیقاتی با کتابخانه ملی، به تحلیل و درک کامنت‌ کاربران علاقمند شده بودم. لذا در سال ۹۳ چهار دامنه برای پروژه‌هایی به دو نام کامنتوم و داکیومنتوم رجیستر کردم. همزمان یکی از دانشجویان دانشگاه شهیدبهشتی (همکلاسی) بر پایان نامه‌ای با موضوع Opinion Spam Detection کار می‌کرد. در آنزمان یکسال از عمر رکامندر می‌گذشت و موفقیت‌های کوچکی حاصل شده بود. ارائه مشاوره به آن همکلاسی و نیاز‌های روز افزودن کاربران وب ذهنم را حسابی درگیر کرده بود. تا آن زمان رکامندر قادر بود رفتار کاربر با ماوس (شامل کلیک، اسکرول…) را به علامندی ترجمه و طیف وسیعی از کاربرد‌ها در حوزه پیش‌بینی رفتار کاربر را در اختیار قرار دهد. ولی قادر به تحلیل کامنت‌ها نبودیم.

در حوزه تحلیل متن فارسی کارهای بسیاری انجام شده. با مطالعه فارس‌نت، محصول خوب آزمایشگاه زبان‌ طبیعی دانشگاه شهید بهشتی شروع کردم. سپس به محصولات موفقی همچون هضم از گروه موفق صبحه سر زدم. خلاصه ساز‌ها و کتابخانه‌های موجود پایتون را بررسی کردم. بارها آزمایش کردم. در نهایت نتیجه‌ای که حاصل شد، توسعه محصولی جدید و بر پایه ایده‌ و طرحی متفاوت بود.

تا اوایل سال ۹۵ پیشرفت‌هایی جزئی حاصل شد. چرا که رکامندر تمام انرژی تیم بسیار کوچک ما را می‌بلعید. پیرو گسترش کمی و کیفی مشتریان رکامندر، با نیاز‌های بزرگان وب ایران در حوزه تحلیل کامنت به خوبی آشنا شده بودم. پس از نسخه ۲.۶ رکامندر که در پایان تیرماه ۱۳۹۵ ریلیز شد، فرصتی اندک حاصل شد تا به دو پروژه کامنتوم و هایپرسپیس (مصور سازی داده) بیشتر بپردازیم. توسعه هایپرسپیس را به یکی از بهترین برنامه‌نویسان وب ایران سپردم… بزودی خبرهای خوبی از هایپرسپیس می‌شنوید.

طی یکماه تمام ماژول‌هایی که در طول دو سال گذشته به صورت پراکنده پیرامون کامنتوم توسعه داده شده بود، یکپارچه شد. تست‌های اولیه ماورای انتظار بود.

در توسعه کامنتوم تاجایی که توانستیم از روش‌های کلاسیک پرهیز کردیم. چرا که نتایجی که از روش‌های کلاسیک حاصل می‌شد را قبلا آزموده بودیم. قصد ما ترجمه ماشینی یا ریشه یابی و کنترل صحت جملات نبود. ما به دنبال کشف ذائقه کامنت نویس بودیم. پس راهی دیگر بر گزیدیم.

تا انتهای مرداد دو محصول معرفی می‌کنیم:

۱. نسخه ۲.۷ رکامندر که به کمک کامنتوم، ارزش‌هایی عمیق تر و ماندگار تر خلق می‌کند. همچنین ۲.۷ مجهز به الگوریتم‌های طبقه بندی مشتریان (Customer Segmentation) است.

۲. نسخه اولیه کامنتوم که به صورت بلادرنگ کامنت کاربران فارسی را تحلیل نموده و به اعدادی قابل اندازه گیری بدل می‌کند.

اینتگرشنی که مدتهاست به دنبال آن بودیم آرام آرام شکل می‌گیرد:

comment_analysis-1024x663

 

در ابتدای سال ۹۴ با مساعدت شرکت محترم دیجی‌کالا، انبوهی از کامنت‌های خام کاربران در اختیار ما قرار گرفت. سعی کردیم کامنتوم مستقل از زبان / زمینه باشد. ولی نتوانستیم این وابستگی را به صفر برسانیم. لذا نسخه فعلی کامنتوم در پاسخ به نیاز‌های یک کسب و کار آنلاین (مشابه دیجی‌کالا) کارایی بالاتری به نمایش می‌گذارد.

یک استارتاپ کوچک داوطلب یافتن خطا‌ها و ارائه پیشنهاد برای بهبود خدمات کامنتوم شد. در پایان مرداد API ای محدود برای آزمایش توسط مشتریان انتخاب شده دیگری نیز در اختیار علاقمندان قرار می‌گیرد.

با پایان شهریور استفاده صنعتی از کامنتوم را آغاز می‌کنیم.

شناسایی و پیش‌بینی محبوبیت آيتم‌ها / ویژگی‌ها (کاهش نرخ پرش)

recommender.ir برای محاسبه محبوبیت ‌آیتم‌ها/ویژگی‌ها طیف متنوعی از متد‌ها را در اختیار کاربران قرار می‌دهد. این متد‌ها عمدتا قادر به شناسایی آيتم‌هایی هستند که هم اکتون در گروه محبوبت‌ترین آیتم‌ها هستند.

به سفارش یکی از کلاینت‌ها سه متد جدید پیاده سازی شد که آیتم‌هایی را که تعامل کاربران با آنها به نحو محسوسی افزایش یافته است، قبل از کسب محبوبیت شناسایی می‌کنند.

در تصویر زیر تو آیتم آبی و قرمز در زمره آیتم‌های محبوب هستند. حال آنکه نرخ رشد تعامل کاربران با آیتم سبز بیش از آنهاست. متد‌هایی که جدیدا توسعه داده شده قادر به شناسایی آیتم‌هایی همچون آیتم سبز هستند. این آیتم‌ها در حالی که در زمره پرفروش‌/پربازدید‌های سایت قرار نگرفته‌اند، قطع به یقین به محبوبیت بالایی دست خواهند یافت.

trenddetection-expanation-copy-1024x684

همچنین برای شناسایی ویژگی‌هایی که در حال ترند شدن هستند سه متد دیگر در اختیار کسب‌و‌کار شما قرار دارد:

 

از تکنیک ‌های Drift Detection و Trend Detection در پیاده سازی این متد‌ها بهره گرفته‌ایم. این متد‌ها قادر به شناسایی زود‌هنگام آیتم‌ها هستند. برای بازه‌های زمانی کوتاه‌مدت، میان‌مدت و بلندمدت، بسته به نیاز کسب‌و‌کارتان قادر به فراخوانی این متد‌ها هستید.

تصویر زیر بازه‌های زمانی و نمونه‌هایی از خروجی را با ذکر مثال نمایش می‌دهد(برای مشاهده جزئیات روی تصویر کلیک کنید):termTrendDetection Expanation

مقایسه نتایج این متد‌ها با میزان فروش آیتم، سایت را در شناسایی زودهنگام اوج گرفتن نرخ پرش (Bounce Rate) نیز یاری می‌کند. خروجی‌های این متد‌ها باید با میزان فروش آیتم‌های سایت سنخیت داشته باشند. در صورتی که آيتمی در این فهرست‌ها رنک بالایی کسب کرده ولی از فروش بالایی برخوردار نیست، نرخ پرش برای آین آیتم، بیش از میزان نرمال آیتم‌های آن سایت است.

 

شناسایی اجزای محتوایی آیتم‌ها که در حال ترند شدن هستند، به کسب‌و‌کار شما امکان پیش‌بینی می‌دهد. تصویر زیر را ملاحظه کنید:

termtrends-1024x685

 

الگو‌های متنی

برای انطباق الگو‌های متنی با مقادیر ویژگی‌ها از استاندارد رگولار اکسپرشن (Regular Expression) استفاده کرده‌ایم. یعنی می‌توانید الگو‌ها را به سادگی توسط رگولار اکسپرشن در اختیار سرویس قرار داده و نتایج مطلوب را دریافت کنید.

regex2-4-1024x674

تمام متد‌هایی که در نام آنها واژه Regex مشاهده می‌شود از این مزیت بهره می‌برند.

کنترل انطباق با سلیقه کاربر

یکی از متد‌هایی که اخیرا پیاده سازی کرده‌ایم قادر به ارزیابی میزان علاقه کاربر نسبت به مجموعه‌ای از آیتم‌هاست. این متد فهرستی از آیتم‌ها را دریافت کرده و لیستی مرتب شده بر اساس میزان علاقه کاربر باز می‌گرداند.

interest

 

در تصویر فهرستی از آیتم ها به همراه آی‌دی کاربر جاری به متد interest ارسال شده است. پاسخ فهرستی مرتب شده است.  بهتر است از نمایش آیتم‌هایی که مقدار منفی دارند به کاربر خود داری کنید.

 

به کمک این متد‌ قادر خواهید بود که آیتم‌هایی که در ایمیل‌ یا خبرنامه برای کاربر ارسال می‌کنید کنترل نموده و برای مثال برای یک گیاه‌خوار تصویر یک همبرگر ارسال نکنید.

متناظر با متد یاد شده، متد دیگری بنام عدم علاقه (disinterest) نیز توسعه داده شده است. این متد فهرست را بر اساس عدم‌علاقه مرتب می‌کند.  این متد نیز می‌تواند کاربرد‌های جالبی ارائه کند.

برای مثال آن دسته از کاربرانی که از آیفون خوششان نمی‌آید احتمالا مشتریان بالقوه‌ای برای سامسونگ و محصولات مبتنی بر اندورید هستند.

 

Cheat Sheet

برای استفاده سریع و ساده از رکامندر یک راهنمای سریع درست کردیم. میتونید از اینجا دریافت کنید.

cheatsheet_partialy

این جدول کمک می‌کنه متد‌های خدمت ما رو یک به یک و با سرعت بشناسید. متد‌ها بر اساس کاربرد با تگ‌های رنگی مشخص شدن. همچنین سطوح کاربرد هر متد معین شده. برای شروع بهتره از متد‌های سطح ‌A استفاده کنید. کم کم که با سرویس آشنا بشید میتونید به سطوح بالاتر استفاده برید. در سطوح بالاتر موفق به تولید ارزش‌های بهتر و بیشتری در کسب‌و‌کارتون می‌شوید.

مثال‌هایی از کاربرد متد‌ها و توضیحات هم ارائه شده. اگر کم و کسری داره بگین لطفا.

آدرس دانلود فایل: http://recommender.ir/download/recommender.ir_v2.7_cheat_sheet.pdf

پیشنهاد‌های مبتنی بر مکان

locations

 

یکی از نیازهایی که کسب‌و‌کارهای گوناگون از recommender.ir می‌طلبیدند، در نظر گرفتن مکان کاربر در محاسبات بود. این نیاز بارها در دوره‌های مختلف مطرح شده بود. ولی پیاده‌سازی نیازهای ابتدایی‌تر فرصت پرداختن به این مقوله را سلب کرده بود.

چندی پیش یکی از مشتریان‌ صورت مسئله را به این شکل مطرح کرد: وقتی رویدادی در تهران برگزار می‌کنیم برای کاربر اهوازی چندان جذابیتی ندارد. در عوض هر آنچه در اهواز و پیرامون ان روی می‌دهد برای کاربر اهوازی مهم است…

همچنین قبلا فروشگاه‌هایی که از شعبه‌های متعدد با پراکندگی جغرافیایی برخوردار هستند، این نیاز را به گونه‌ای دیگر مطرح کرده بودند. آنها معتقد بودند که مشتری برای خرید به نزدیک ترین فروشگاه مراجعه می‌کند. پس بهتر است کالاهایی که در نزدیک‌ترین شعب موجود هستند به کاربر پیشنهاد شود.

LBR2.5

 

پیرو درخواست‌های منطقی و مکرری که از مشتریان دریافت کردیم، نسخه ۲.۵ recommender.ir را به توسعه راه‌حل در جهت تولید پیشنهاد‌های مبتنی بر مکان اختصاص دادیم.

روش کار بدین ترتیب است که پروفایل کاربر را کمی تقویت کردیم. پروفایل کاربر علاوه بر جنسیت و سن، حال می‌تواند به نگهداری موقعیت جغرافیایی خانه، محل کار و محل فعلی بپردازد.

هم چنین بر هر آیتم می‌توان تعدادی موقعیت مکانی (طول‌ و عرض جغرافیایی) منتسب کرد.

برای استفاده از مکانیزم‌های تولید پیشنهاد مبتنی بر مکان کافیست شعاع مورد نظر کاربر (یا پیش فرض) را در واحد کیلومتر وارد کرد. برای مثال radius=5 به حداکثر فاصله ۵ کیلومتری بین مکان‌های کاربر و نزدیکترین مکان آیتم است.

تصویر زیر مثال‌هایی از فراخوانی را نمایش می‌دهد (برای مشاهده جزئیات روی تصویر کلیک کنید):

radius

یکی از دیگر فیچر‌های نسخه ۲.۵، نگهداری از اولویت‌های کاربر است. برای مثال کاربری که به رویداد‌های کارآفرینی علاقمند است، می‌تواند این علاقمندی را در پروفایل خود ست کند. با کامل‌تر شدن پروفایل کاربر، سیگنچر متد‌ها کوچکتر می‌شود. این به معنی فراخوانی راحت‌تر متد‌های ‌API است.

از سوی دیگر با کامل‌تر شدن پروفایل کاربر و همچنین پروفایل آیتم، مسیر حرکت سمت سگمنت‌بندی مشتریان و ارائه تحلیل‌های عمیق‌تر هموار شد.

در طول تابستان فیچر‌هایی بسیار جذاب معرفی خواهیم کرد…

از بهبود پنل تا تولد هایپراسپیس

حدود ۱۰ روز پیش گفتگوی دوستانه‌ای با یکی از مشتریان سرویس‌مان داشتم. گفت داره پنل گرافیکی وب می‌نویسه برای recommender.ir . گفتم آفرین! حالا چرا می‌نویسی؟ گفت آخه پنل recommender.ir ناقصه! و درست می‌گفت.

کلا به هر پدیده‌ای که خارج از ترمینال روی بده خیلی علاقمند نیستم. لذا از نقطه نظر کاربران وب، اوضاع پنل سرویس ما اصلا خوب نبود. ولی خوب خاطر مشتری، بسیار عزیز و محترم است. دو روز طولانی کار کردیم و پنل جدید آماده شد:

panel2.4

در واقع به روز آوری و تکمیل پنل توی برنامه توسعه نسخه ۲.۴ نبود. ولی در آخرین روز‌هایی که ‌API آخرین تست‌هاش رو پشت سر می‌ذاشت، پنل رو به موازات کامل کردیم. تصویر بالا بخش‌های اصلی پنل نسخه ۲.۴ رو نشون میده.

متد‌ها در دسته‌هایی گرد‌آوری شدن تا کاربری رو آسان کنن. از سویی لینک‌هایی به راهنمای فنی در دسترس هست. امکان ارسال دسته‌ای داده‌ها برای مقاصد آفلاین هم فراهم شده.

با آماده شدن پنل و دریافت فیدبک از مشتریان، نیازمندی‌های پروژه بعدی ما یعنی ‌hyperspace شکل گرفت. هایپراسپیس یعنی چندبعدی یا ابرفضا. نام پروژه‌ایست که بناست بر روی رکامندر، کامنتوم و دیگر پروژه‌های‌ما و مشتری، مصورسازی داده‌‌ (Data Visualization) فراهم کنه. قصد داریم به نحوی نوشته بشه که دست برنامه نویس‌ها رو برای توسعه گراف‌ها و چارت‌های کسب و کار خودشون باز بذاره. بتونن گراف‌های تلفیقی توسعه بدن. بر خلاف دیگر سرویس‌ها ما، میتونه روی ماشین‌ اپراتور‌ها نصب شده و امکانات خوبی در تحلیل داده‌ها در اختیارشون قرار بذاره.

هایپراسپیس از بهترین فناوری‌های نمایش داده استفاده می‌کنه. در سمت بک‌اند، میکروسرویسز و اسپرینگ‌بوت، با قالب‌های ساده ‌Freemarker و در سمت کلاینت از d3.js و svg استفاده می‌کنیم. در حالی که تنها چند روز از شروعش نمی‌گذره خوب پیش رفته و به زودی قابل ارائه خواهد بود. اولین نسخه‌ رو به همراه نسخه  recommender.ir 2.5 در اختیار مشتریان مشتاق‌ قرار می‌دیم و نظرات طلایی اون‌ها رو در اصلاح و تکامل خدمت بکار می‌گیریم.

هایپراسپیس نقطه تلاقی داده‌های دریافتی از سرویس‌های متعدد ما و مشتریان ماست. نقطه‌ای که با تصویر‌سازی داده‌ها، تصمیم سازی رو تعالی می‌بخشه و  نهایت بینش نسبت به آنچه در حوزه سلایق کاربران رخ می‌ده رو فراهم می‌کنه. هایپراسپیس امکان افزودن ابعاد متنوع و متفاوت رو فراهم می‌کنه. راه‌حل‌های گوناگون هر یک از نگاهی به داده‌ها نگاه می‌کنن و در هایپراسپیس میشه ابعاد جدیدی از داده‌ها رو به نمایش کشید. (برای همین اسمش رو گذاشتیم هایپراسپیس)

کسب‌وکارهای گوناگون نگاه خاص و ویژه خود را به مقوله تحلیل داده‌ها دارند. لذا هایپراسپیس اجازه می‌ده نمودار‌ها و نمایه‌هایی که ما در اختیارشون قرار می‌دیم با توجه به نیاز‌هاشون سفارشی کنند.

راهنمای سریع

راهنمای سریع recommender.ir

ارسال داده‌ها
راه‌حل ما برای جلب رضایت کاربران، و افزایش راندمان کسب‌وکار شما، به داده‌هایی نیاز دارد. این داده‌ها به سه دسته زیر تقسیم می‌شوند:

۱. ویژگی‌های آیتم‌ها – توسط فراخوانی متد termItemAdd انجام می‌گیرد.

۲. رفتار کاربر – توسط فراخوانی متد ingest صورت می‌گیرد.

۳. ویژگی‌های کاربر – توسط فراخوانی متد setUserProfile صورت می‌گیرد. بدیهیست بخش بزرگی از کاربران به صورت ناشناس به سایت شما می‌آیند. کافیست تنها پروفایل تعداد اندکی که احراز هویت شده‌اند مشخص شود.

gs

نیازی به رعایت ترتیب خاصی برای اجرای متد‌های فوق نیست.  برای مثال میتوانید ابتدا رفتار کاربران را ارسال کنید. سپس ویژگی‌های آیتم‌ها را کامل کنید و در نهایت به تکمیل پروفایل بخشی از کاربران بپردازید. یا می‌توانید ابتدا ویژگی‌های آیتم‌ها را ارسال کنید. سپس به رصد رفتار کاربر مشغول شوید. پس از مدت کوتاهی recommender.ir قادر به پاسخگویی به پرسش‌های شماست.
مهم: از بین سه متد یاد شده، بکارگیری متد ingest (ارسال رفتار کاربر) الزامی‌ است.

پرسش‌ها
recommender.ir به طیف متنوعی از پرسش‌ها پاسخ می‌دهد. این پرسش‌ها به گروه‌های زیر تقسیم می‌شوند:
– شناسایی محبوب‌ترین آیتم‌ها
ـ پیشنهاد برای کاربر یا گروهی از کاربران
– خوشه‌بندی آیتم‌ها بر اساس میزان شباهت
– خوشه بندی ویژگی‌ها بر اساس میزان شباهت
– محاسبه علاقه / عدم‌علاقه کاربر به آیتم‌ها
– شناسایی پرسونا (پروفایل) کاربر‌ ناشناس
– شتابدهی هوشمند به عرضه آیتم
– راهنمایی کاربر تازه‌وارد
– مرتب‌سازی اقلام جدید بر اساس علاقه کاربر‌تازه وارد

تمامی متد‌های یاد شده را می‌توانید به صورت بلادرنگ، یعنی هنگامی که کاربر روی سایت یا اپلیکیشن شما به گشت و گذار می‌پردازد فراخوانی کنید.
همچنین قادر هستید متد‌های یاد شده در عملیات با تأخیر مانند ارسال خبرنامه بکار بگیرید.