توصیه‌های دامنه‌های متقابل: مروری بر مبانی، کاربردها و چالش‌ها

زمینه و هدف: منظور از توصیه‌های دامنه‌های متقابل یعنی به جای پرداختن به هر دامنه به طور مستقل، دانش بدست‌آمده در یک دامنه (منبع) را به دامنه (هدف) دیگری منتقل و در آن به کار گرفت. مقاله حاضر با مرور نظام‌مند درپی بررسی پژوهش‌های این حوزه از نظر مبانی، کاربردها و چالش‌ها است.روش پژوهش: در مطالعه حاضر، از چارچوب مطالعه نظام‌مند پریسما استفاده شده است. جست‌وجو در منابع اطلاعات علمی فارسی و انگلیسی با کلیدواژه‌های مرتبط انجام و 98 منبع به زبان انگلیسی در بازه زمانی 2007 تا 2021 یافت شد. با اعمال پالایش اولیه، معیارهای ورود و خروج از مطالعه و کنترل توسط متخصصان، تعداد 28 منبع انگلیسی برای ورود به مرور نظام‌مند انتخاب شدند.یافته‌ ها: بر مبنای دامنه، چهار سطح توصیه‌های دامنه‌های متقابل؛ مشخصه یا خصیصه، نوع، مورد و سامانه وجود دارد. برای پیش‌بینی نظرات کاربران در توصیه‌های بین دامنه‌ای از الگوریتم‌ها یادگیری ماشین و برای ارزیابی پیش‌بینی‌های صورت گرفته براساس ماتریس درهم ریختگی از سه دسته معیارهای پیش‌بینی، رتبه‌بندی و طبقه‌بندی استفاده می‌شود. توصیه‌‌های دامنه ‌های متقابل با انتقال دانش بین دامنه‌ ها در افزایش صحت توصیه‌ها، رفع مسئله شروع سرد، فروش متقابل و بهبود شخصی‌سازی کاربرد دارد. اصلی ‌ترین چالش توصیه دامنه‌های متقابل تفاوت ‌های دامنه‌ ها با هم است این تفاوت ‌ها شامل عدم انطباق بین ویژگی ‌های دامنه‌ ها و مشخص نبودن روابط میان دامنه‌ ها است. علاوه بر این، تفاوت در اندازه دامنه‌ها و عملکرد ضعیف الگوریتم‌های پایه در پیش‌بینی نظرات کاربران از دیگر چالش‌های پیش‌روی توصیه‌های دامنه‌های متقابل است.نتیجه‌گیری: این حوزه موضوعی اگر چه در ده سال اخیر شکل گرفته است اما شتاب پرداختن به موضوع توسط پژوهشگران علوم رایانه و اطلاعات نشان از مهم بودن حوزه پژوهشی دارد. توصیه‌های دامنه‌های متقابل سطح مورد اصلی‌ترین دسته توصیه‌ های دامنه ‌های متقابل محسوب می‌شوند. با توجه به شکل‌گیری گروه‌های کسب‌کارهای الکترونیک، در آینده توصیه‌های متقابل در سطح سامانه‌ها بیشتر مورد توجه قرار خواهند گرفت. توصیه‌های دامنه‌های متقابل در بهبود عملکرد سامانه‌های توصیه‌گر، مدل‌سازی کاربر در تعامل انسان و رایانه، تجارت الکترونیک می‌توان استفاده می‌شوند.

Cross-Domain Recommendations: Foundations, Applications, and Challenges

Background and Aim: The meaning of crossdomain recommendation is that instead of dealing with each domain independently, transfer knowledge gained in one domain (source) to another domain (target) and use it. The present article systematically reviews the research in this field in terms of foundations, applications and challenges.Method: The Prisma guidelines had been used. Search in Persian and English scientific information sources with related keywords were conducted and 98 English language sources were found in the period 2007 to 2021. Applying the initial refinement, inclusion and exclusion criteria by experts, 28 English documents were selected to enter in the systematic review.Findings: There are four levels of crossdomain recommendations: Attributes, types, items and systems. Machine learning algorithms are used to predict user rating in crossdomain recommendations, and three categories of: Prediction, ranking, and classification criteria are used to evaluate predictions based on confusion matrix. Crossdomain recommendations can be used to increase the accuracy of recommendations, resolve cold start problems, crosssell, and improve personalization by transferring knowledge between domains. The most challengeable recommendations of crossdomain is the differences between domains. These differences include the mismatch between the properties of the domains and/or unclear relationships between the domains. In addition, differences in domain size and poor performance of basic algorithms in predicting user rating are other challenges in crossdomain recommendations.Conclusion: While this subject has been shaped in the last decade, but the keen attention of computer science and information researchers shows its importance. Items level are the main category of crossdomain recommendations. Due to the formation of ebusiness groups, in the future, crossdomain recommendations at the system level will be given more consideration. Crossdomain recommendations could be used to improve the performance of recommender systems, user modeling in humancomputer interaction, and ecommerce.