و سپس عملیات برش۱۴۲ با هدف حذف سایر ابعاد به جز دو بعد اصلی کاربران و اقلام، صورت میپذیرد.
در این تحقیق روش جدیدی برای پیشنهاددهی در یک فضای n- بعدی و مناسب برای محیطهای سیار معرفی میشود. روشهایی که تابهحال به منظورکاهش فضا استفادهشدهاند عبارتند از استفاده از دو عملیات انتخاب و بهدنبال آن عملیات برش. یعنی ابتدا با توجه به زمینه ای که کاربر در آن قرار دارد، دادههایی از میان مجموعه دادهها انتخاب میشوند که زمینه یکسانی با زمینه فعلی کاربر داشتهباشند و پس از آن به کمک عملیات برش سایر ابعاد حذف میشوند تا از مکعب امتیازات به جدول دوبعدی دادهها برسیم. اما همیشه رابطهای که به این طریق بدست میآید، کامل و دارای تمام امتیازات موردنیاز نیست و در نتیجه بهشیوههای کلیتری برای کاهش فضای n – بعدی به ۲- بعدی نیاز است تا علاوه بر زمینه t، زمینه St که معرف بخشهای مرتبط با t است نیز انتخاب شود.
اطلاعات زمینه بر فرایند تصمیمگیری کاربر تاثیرگذار است. در یک سیستم پیشنهاددهنده این به آن معناست که مجموعه کالاهای مورد علاقه کاربر در شرایط زمینهای مختلف context1، context2 تا contextn میتوانند با یکدیگر متفاوت باشند. یعنی کاربری میتواند به یک کالا در زمینه خاص، امتیاز بالایی دهد در حالیکه به همان کالا در یک زمینه متفاوت دیگر، امتیاز پایینی اختصاص دهد. با توجه به این مساله، روش پیشنهاددهی آگاه از زمینه ارائهشده در این تحقیق از مجموعه داده چندبعدی و مکعب امتیازات استفاده میکند. در یک سیستم پیشنهاددهنده که از اطلاعات زمینه به شکل تاریخچهای استفاده میکند، ارتباط میان کاربران و اقلام با توجه به تاثیر پارامترهای زمینهای بر روی این ارتباط و در یک ساختار چندبعدی در سیستم ثبت میشود. (شکل ۵-۲)
شکل ۵-۲: ساختار رابطهای مدل داده چندبعدی برای ذخیرهسازی اطلاعات کاربران، اقلام و زمینه
در شکل ۵-۲، رابطه User برای نگهداری اطلاعات کاربران، Item، برای نگهداری اطلاعات اقلام و Ratings برای نگهداری امتیازات کاربران به اقلام در شرایط زمینه ای متفاوت میباشد. هر کدام از ابعاد زمینهای در رابطهای با دوفیلد نگهداری میشوند. بهعنوان مثال فرض کنید زمینهای با عنوان زمان شامل دو مقدار روز کاری و روز تعطیل تعریف شود. در این صورت رابطه معادل آن در شکل ۵-۲ دارای دوفیلد و تنها دو رکورد میباشد. تعداد ابعاد زمینهای در یک سیستم پیشنهاددهنده در دامنهای خاص توسط تحلیلگر سیستم و در زمان تحلیل سیستم تعیین میشود. در این تحقیق، ویژگیهای سلسلهمراتبی و تجمیع مدل داده چندبعدی در نظر نگرفته نشدهاست.
روش ارائهشده همچنین از مراحل زیر تشکیل شدهاست: (شکل ۵-۳)
شکل ۵-۳: روش چندبعدی پیشنهاددهی
(۱) شناسایی الگوی مصرف۱۴۳ کاربران در شرایط زمینهای متفاوت
همانطورکه اریگ، هاس، هفک و استانویک[۷۳] تعریف میکنند: ” اگر در دو زمینه مختلف، موجودیتهای یکسانی (یا مرتبطی) استفادهشوند, در این صورت این دو زمینه مشابه هستند”، زمینههایی که کاربر در آنها الگوی مصرف مشابهی دارد شناسایی میشوند که این به معنای شناسایی زمینههای مشابه با یکدیگر است.
اگر در یک سیستم، N بعد زمینهای متفاوت (N پارامتر زمینهای) تعریف شدهباشد(Context1 تا ContextN)، تعداد شرایط زمینهای متفاوتی که برای سیستم تعریفمیشود، برابر است با ضرب تعداد مقادیر تعریفشده برای ابعاد. بهعنوان مثال فرض کنید در سیستمی دو بعد، بعد زمان شامل مقادیر روزهای کاری و روزهای تعطیل، و بعد آبوهوا شامل مقادیر سرد، گرم و معتدل، تعریف شدهباشد، در اینصورت تعداد کل شرایط زمینهای که برای سیستم شناختهشدهاست، حاصلضرب دو در سه، یعنی شش تا شرایط زمینهای مختلف است که عبارتند از روز کاری و هوای گرم، روز کاری و هوای معتدل، روز کاری و هوای سرد، روز تعطیل و هوای گرم، روز تعطیل و هوای معتدل، روز تعطیل و هوای سرد. این شرایط زمینهای در یک رابطه جدید با عنوان Context_Situations (شکل ۵-۴) که به مجموعه روابط شکل ۵-۲ افزوده میشود، نگهداری میشود.
شکل ۵-۴: ساختار رابطهای نگهداری کلیه شرایط زمینهای سیستم
به دلیل آنکه این رابطه با روابط زمینهای از شکل ۵-۲ در ارتباط است، این روابط در شکل ۵-۴ تکرار شدهاند.
هدف شناسایی شرایط زمینهای مشابه با یکدیگر، بهطور مجزا برای هر کاربر، میباشد. پس اطلاعات مربوط به هر کاربر بهطور جداگانه از پایگاه داده چندبعدی (مجموعه روابط اشکال ۵-۲ و ۵-۴) انتخاب میشود، به این ترتیب برای هر کاربر، مجموعه کالاهایی که وی در شرایط زمینهای مختلف امتیازگذاری کردهاست، و امتیازات مربوطه در دسترس خواهدبود. این مجموعه ورودی الگوریتم خوشهسازی خواهدبود. عملیات خوشهسازی برای تمامی کاربران بهطور جداگانه اجرا میشود. پس در نهایت، شرایط زمینهای متفاوت برای هر کاربر بهصورت مجزا و بر اساس الگوی مصرف وی، خوشهبندی۱۴۴ شده و خوشههای بدستآمده با برچسبهای ۱ تا m (m، تعداد خوشههاست)، مشخصمیشوند. (شکل ۵-۵)
شکل ۵-۵: ساختار رابطهای نگهداری خوشهبندی اطلاعات زمینهای برای کاربران
بهاین ترتیب دو رابطه جدید با عنوان Context_Clusters و ContextRelation به مجموعه روابط افزوده میشوند، Context_Clusters برچسب خوشهها را نگهداری میکند و ContextRelation رابطهای است که مشخص میکند شرایط زمینهای متفاوت برای کاربران مختلف در چه خوشهای قرار میگیرند.
(۲) ایجاد فضای جدید پیشنهاددهی دو بعدی
در این مرحله با استفاده از اطلاعات بدست آمده در مرحله قبلی، معادل هرکاربر ci، m کاربر جدید ci1 تا cim تعریف میشود که m تعداد خوشههای مربوط به شرایط زمینهای برای کاربر ci است. بسته به سیاست اتخاذشده برای خوشهبندی، مقدار m برای هر کاربر مقدار یکسان یا متفاوتی خواهدبود. درحقیقت اگر کاربر ci در زمینههای متفاوت contexts، contextg، contextf و چند زمینه دیگر الگوی مصرف مشابهی داشتهباشد و مجموعاً در مرحله اول در یک خوشه قرار گرفتهاند و مجموعه این زمینهها با برچسب contextout_L مشخصشدهباشد (۱Lm)، کاربر جدید ci_L ی تعریف میشود که معادل کاربر ci در شرایط زمینهای گروهبندیشده در contextout_L میباشد. (شکل۵-۶)
شکل ۵-۶- ایجاد کاربران معادل کاربر ci با توجه به الگوی مصرف وی
با استفاده از اطلاعات بدست آمده و پس از مشخصکردن کاربران جدید در سیستم، تابع سودمندی را از رابطه (۲) به شکل رابطه (۳) بازتعریف کنیم.
(۵-۳)
در این رابطه، مجموعه جدید کاربران است.s مجموعه قبلی اقلام است و هم مجموعه جدید امتیازات کاربران به اقلام است. به این ترتیب به مجموعه روابطی که تا به حال ذکر شدند، دو رابطه جدید New_user و New_ratings اضافه میشود که این روابط به همراه روابط مربوط به آنها در شکل ۵-۷ نمایش داده شدهاست. (شکل ۵-۷)
امتیازات جدید به این شکل محاسبه خواهدشد که اگر کاربر ci، کالای si را در زمینههای متفاوتی از مجموعه زمینههای مشخصشده با برچسب واحد contextout-L امتیازدهی کردهباشد، امتیاز کاربر ci-L به کالای si در رابطه (۴) برابر با یک تابع تجمعی۱۴۵ (مانند میانگینگیری) بر روی امتیازات قبلی خواهدبود.
شکل ۵-۷- ساختار رابطهای کاربران و امتیازات جدید
(۳) اعمال الگوریتم پیشنهاددهی در فضای دوبعدی بدست آمده
همانطور که مشاهدهشد، در مراحل قبل کاربران متفاوت ممکن است در شرایط زمینهای متفاوت الگوی مصرف مشابهی داشته باشند. بهاین ترتیب به کمک دو مرحله قبلی، یک فضای جدید دوبعدی شامل کاربران و اقلام ایجاد میشود. به این ترتیب دامنه پیشنهاددهی از یک فضای چندبعدی به یک فضای دوبعدی تبدیل شد. این فضای پیشنهاددهی جدید شامل روابطNew_user، New_ratings و Item از فضای شکل ۵-۷ میباشد. به این ترتیب هر زمان که سیستم پیشنهاددهنده بخواهد پیشنهاد جدیدی را به کاربری خاص ( با شناسه uid از رابطه User) در یک شرایط زمینهای بهخصوص (با شناسه csid از رابطه Context-Situations) ارائهکند، از طریق روابط Context_Clusters و Context_Situations، شناسه معادل کاربر را در رابطه New_User شناسایی میکند و پیشنهادات را برای این کاربر در فضای جدید بدست میآورد. در فضای جدید بدست آمده برای انجام عملیات پیشنهاددهی، هر کدام از روشهای مبتنیبر مدل و یا مبتنیبر حافظه به شیوه سنتی قابل اعمال خواهندبود.
۵-۵جمعبندی
این فصل به سیستمهای پیشنهاددهنده آگاه از زمینه اختصاص دادهشد. سیستمهای پیشنهاددهنده آگاه از زمینه، با استفاده از اطلاعات پویای زمینه که توصیفگر وضعیت اقلام و کاربر بوده و بر نحوه تصمیمگیری کاربر در انتخاب اقلام تاثیرگذار است به عملیات پیشنهاددهی میپردازند. پارمترهای زمینهای تاثیرگذار در این سیستمها به دو دسته پارامترهای تاریخچهای و پارامترهای برخط تقسیم شدند. پس از آن فضای چندبعدی برای مدلسازی اطلاعات زمینه ارائهشد و در پایان به تشریح روش چندبعدی پیشنهاددهی پرداختهشد. این روش دارای سه مرحله میباشد که عبارتند از ۱) شناسایی الگوی مصرف کاربران در شرایط زمینهای متفاوت، ۲) ایجاد فضای جدید پیشنهاددهی دو بعدی و ۳) اعمال الگوریتم پیشنهاددهی به شیوه سنتی در فضای دوبعدی بدست آمده.
فصل ششم: ارزیابی
۶-۱ مقدمه
ارزیابی سیستمهای پیشنهاددهنده در جهت مشخصکردن صحت عملکرد آنها ضروری است. در این بخش به مسائل مربوط به ارزیابی روش پیشنهادشده چندبعدی برای استفاده در سیستمهای پیشنهاددهنده آگاهاززمینه در تجارت سیار پرداخته میشود و نتایج بدستآمده از ارزیابی ارائه میشوند. مسائل مطرح شده عبارتند از معرفی محیط ارزیابی و ابعاد زمینهای مورد استفاده، روش و شاخصهای ارزیابی و در پایان ارائه نتایج حاصل از ارزیابی.
۶-۲ روش ارزیابی
برای ارزیابی روش چندبعدی پیشنهاددهی، از یک سیستم پیشنهاددهنده سیار استفادهشدهاست. به اینمنظور ابتدا در یک مرحله به جمع آوری امتیازات مورد نیاز پرداخته و در مرحله بعد به ارزیابی روش بر روی مجموعه داده تهیهشده پرداختهشدهاست. سیستمهای پیشنهاددهنده آگاه از زمینه دارای دو مجموعه بعد متفاوت ابعاد اصلی شامل بعد کاربر و بعد کالا، و ابعاد زمینهای میباشند. علاوهبر ابعاد اصلی کاربر و محصولات غذایی در این تحقیق، ابعاد زمینهای استفاده شده در سیستم عبارتند از:
*
* روز۱۴۶ : روزکاری، روز تعطیل. ( بعد تاریخچهای و برخط ).
* زمان۱۴۷ : صبح، ظهر، عصر، شب. ( بعد تاریخچهای و برخط ).
* همراه۱۴۸ : همسر، خانواده، دوستان، همکاران، تنها، سایر موارد. ( بعد تاریخچهای و برخط ).
* آبوهوا۱۴۹: سرد و آفتابی، سرد همراه با بارش،

خشکی بیشتر مورد توجه است. (Allakhverdiev et al.,2002) مطالعه عوامل تنش زا باید بصورت جامع انجام شود، چرا که این عوامل خود روی دیگر عوامل محیطی اثر نموده و آثار ناشی از آن ها را تشدید یا تقلیل میدهند. واکنش گونه های مختلف و حتی ارقام مختلف یک گونه در مقابل تنشها متفاوت است. در شرایط یکسانی از تنش بعضی بسیار مقاوم و بعضی بسیار حساس میباشند . روش هایی در گیاهان وجود دارد که از طریق آنها می توانند از صدمات تنش مصون بمانند و متابولیسم عادی و چرخه زندگی را ادامه دهند. به عنوان مثال، در حالت تحمل تنش، گیاه تغییرات و یا صدماتی را که در اثر تنش به وجود می آید، تحمل نموده و یا آنها را به حداقل می رساند. در این حالت به گیاه تنش وارد می شود، اما خسارت وارد شده کمتر از مقدار قابل انتظار است. (Parida et al., 2004)
به طور کلی ، گیاه در مواجه با شرایط تنش دو نوع واکنش بروز می دهد (کافی و همکاران، ۱۳۷۹). در اولین مرحله که مرحله اعلام خطر یا آگاهی دهنده نام دارد ، برخی از کارکرد های گیاه کاهش می یابد (واکنش به تنش) و برخی از اعمال گیاه از طریق وقوع واکنش هایی در جهت مخالف موجب برگشت گیاه به حالت عادی می شود. در مرحله بعدی که مرحله مقاومت است ، تنش هزینه زیادی را بر گیاه اعمال می کند (سخت شدن). در این مرحله اگر رویا رویی گیاه با تنش کوتاه مدت باشد و از آستانه تحمل گیاه فراتر نرود ، خسارت وارد شده به گیاه ممکن است قابل ترمیم و برگشت پذیر باشد و تنها باعث تغییرات موقت در فرایند های فیزیولوژیک گیاه شود و در گیاه حالت بهبود به وجود می آید ، اما اگر گیاه در مدتی معین توسط یک تنش حاد یا مزمن تحت فشار قرار گیرد، به تدریج رو به ضعف رفته و آسیب های غیر قابل برگشت در گیاه به وقوع می پیوندد . به همین دلیل ، رویارویی طولانی مدت با تنش باعث اختلالات دائمی در گیاه می شود (Parira et al., 2004).
۱-۲-تنشخشکی
تنشهای محیطی،مخصوصاً تنش آبی یکی از مهمترین عوامل محدودکننده تولیدات کشاورزی در دنیا است.تنش خشکی مفاهیم مختلفی دارد و از دید فیزیولوژیستهای گیاهی تنش خشکی زمانی اتفاق میافتد که خروج آب ازگیاه درفرایند تعرق بیش از آب جذبشده توسط ریشه گیاه باشد(Shepherd et al., 2002)
۱-۲-۱-سازوکارهای تحمل در برابر تنش خشکی
لویت معتقد است که مقاومت به خشکی در نتیجه مجموعهای از سازوکارها و عکس العمل های پیچیده به وجود میآید. به نظر وی تنها دو سازوکار اساسی، یعنی اجتناب و تحمل، در مقاومت به خشکی مهم تلقی میشوند (Levitt, 1980). هر کدام از این سازوکارها به روشهای مختلفی ممکن است تظاهر داشته باشند (سرمدنیا و کوچکی، ۱۳۷۳).
۱-۲-۱-۱-فرار یا اجتناب
توانایی(ساختمانی یا اختیاری) کامل کردن رشد قبل از شدید شدن خشکی و بقا داشتن در فصل خشک به وسیله دانه(غلات، علوفهایهای یکساله)یا به صورت خواب ،شبه خواب یا حالت رکود(درختان، بوته ها ،علوفه ای های چند ساله). براساس تعریف، یک گیاه اجتناب کننده از خشکی باید پتانسیل آب خود را در هنگامی که مواجه با تنش خشکی می شود حفظ نماید. بنا به تعریف دیگر “توانایی یک گیاه در حفظ پتانسیل نسبتاً بالای آب برگ (نزدیک به صفر) هنگامی که در شرایط خشکی هوا یا خاک قرار گیرد”. (Shepherd et al., 2002).
دو نوع مشخص از اجتناب کننده ها از خشکی وجود دارند که عبارتند از :
۱)بد بینانه: “ذخیره کنندگان آب” که از خشکی بوسیله حفاظت آب اجتناب می‌کنند. .کنترل کمی بر تلفات آب دارند و به سرعت ذخایر آب خاک را هدر میدهند.در شرایط خشکی پایان فصل مزیت دارند.
۲)خوشبینانه: “خرج‌کنندگان آب” که بوسیله جذب کافی و سریع‌آب، و همزمان مصرف و خرج آب. از خشکی اجتناب می‌کنند. تمایل دارند که در شرایطی که تنش غیر متحمل است موثرترین باشند و تحت شرایط رقابتی غالب تر خواهند بود.(پایین بودن جذب آب و تعرق).هنگامی که ضروری است مصرف آب طی فصل رشد توزیع شود در جوامع مخلوط ،آنها در رقابت زیان میبینند زیرا آنها آب را در خاک باقی می گذارند که به وسیله گیاهان خرج کننده آب مصرف می رسد.در طبیعت پا سخ های روزنه ای به تنش آب به این معنی است که گیاهان بین این دو حد قرار میگیرند. (کافی و همکاران، ۱۳۸۸).
در هر دوحالت فوق سازگاری ، با تداوم حفظ حالت آماس و پتانسیل بالای آب صورت می‌پذیرد.
در این حالت محتوای نسبی آب۵ (RWC) ، حجم پروتوپلاست و فشار تورژسانس یاخته در طول دوره تنش خشکی حفظ میشود. رشد گیاه ممکن است کاهش یافته اما بیشتر فرآیندهای متابولیکی ادامه می یابند.اجتناب از خشکی به روشهای مختلف میتواند اتفاق بیافتد(سرمدنیا و کوچکی،۱۳۷۳):
الف) از طریق کنترل جذب آب و مواد معدنی از خاک، رشد ریشه، هدایت و توزیع مناسب آب در صورت وقوع خشکی و متناسب با فنولوژی گیاه.
ب) از راه کنترل افت آب از برگها توسط سازوکارهایی نظیر بسته شدن روزنهها در پاسخ به کمبود فشار بخار آب، کم شدن پتانسیل آب(?) یا واکنش ریشه، به علاوه مقاومت کوتیکولی زیاد، انعکاس زیاد نور آفتاب از برگهای با پوشش مومی، حرکات برگی به منظور کاهش سطح تعرق، ریزش برگ و تغییر از حالت متابولیسم C3 به متابولیسم CAM.
ج) برخی گیاهان در شرایطی که رشد برگ محدود شده است برای حفظ آماس سلولی از سازوکار تنظیم اسمزی بهره میبرند.
بسته شدن روزنهها در روز یک سازوکاری است که از خشکی شدید جلوگیری میکند از سوی دیگر چون مقاومت روزنهها به عبور گاز کربنیک افزایش مییابد، فتوسنتز کاهش مییابد و عملکرد هم معمولاً تقلیل پیدا میکند (سرمدنیاو کوچکی، ۱۳۷۳) .
۱-۲-۱-۲-تحمل
تحمل واقعی به تنش خشکی هنگامی حاصل می‌گردد که گیاهان تحت تاثیر خشکی از پتانسیل آب خود می‌کاهند تعریف عملی تحمل نسبت به آب کشیدگی عبارت است “توانایی یک گیاه نسبت به ادامه فعالیت در سطح مشخص از پتانسیل آب گیاه”. حفظ آماس سلول در این حالت، بسیار حائز اهمیت است زیرا بسیاری از فرایندهای بیوشیمیائی و فیزیولوژیکی بدان حساس می‌باشند حفظ آماس در شرایط کاهش آب برگ بطور کامل یا نسبی از طریق تنظیم وضع اسمزی، افزایش قابلیت کشسانی یا کاهش اندازه سلول کسب می‌گردد. (کافی و همکاران، ۱۳۸۸).
تنظیم اسمزی سلول به دو طریق حاصل می‌گردد:
۱) کاهش آب سلول براثر خشکی محیط.
۲) تجمع محلولهای اضافی به سبب فعال شدن مکانیزمهای افزایش دهنده غلظت ذرات در محلول شیره سلولی.
در این حالت با وجود اجتناب از پسابیدگی و آماس کافی برای رشد ، افت در انرژی آزاد آب حتمی است . همچنین مکانیزمهای تحمل به خشکی، می‌توانند تورژسانس بافتی را بدلیل ایجاد شرایطی که به کاهش پتانسیل آب و افزایش کشسانی بافتی منجر می‌شود، حفظ کنند. سلولهای کوچک دارای کشسانی بیشتری نسبت به سلولهای درشت می‌باشند کمبود آب در طول دوره رشد توسعه برگها، معمولا اندازه سلول را می‌کاهد بدین ترتیب ممکن است باعث افزایش قابلیت ارتجاع و حفظ آماس گردد. بطور کلی گیاهان با بکارگیری مکانیزم های زیر قادر به تحمل دوره های خشکی می باشند. (Khan, 1992)
تحمل خشکی از راههای مختلفی میتوان صورت بگیرد:
الف) تنظیم اسمزی برای غلبه بر پسآبیدگی سلول
ب) تغییرات در اندازه سلول وتغییر شکل دیواره برای غلبه بر پلاسمولیز
ج) ذخیره کربن و نیتروژن برای بازگشت سریع به حالت اولیه
د) پایداری غشاء از طریق تغییردر تراکم فسفولیپیدی و نفوذپذیری آن
ه) قدرت گیاه در ادامه فرایند فتوسنتز
و) توانایی انتقال مواد ذخیرهای تحت شرایط تنش شدید به قسمتهای باز گیاه که از نظر اقتصادی اهمیت دارند مانند دانهها
ز) ادامه فعالیتهای متابولیک در مقدارهای پایین آب نسبی و دمای بالا برای بازگشت سریع به حالت اولیه (سرمدنیا و کوچکی ، ۱۳۷۴)
۱-۳- اهمیت خشکی در جهان و ایران
خسارت تنشهای کمبود آب ، شوری و دما به گیاهان زراعی در سطح جهان در مقایسه با سایر تنشها گستردهتر است و تنش شوری و خشکی بیشتر مورد توجه است(Allakhverdiev et al., 2002). ایران دارای وسعتی معادل ۱۶۴۸۸۰۰ کیلومترمربع است که۱۶ درصد آن را کوه هایی با ارتفاع بیش از ۲۰۰۰ متر و۳ درصد آن را زمینهایی با ارتفاع بین۱۰۰۰ تا۲۰۰۰ متر از سطح دریا تشکیل میدهد. متوسط بارندگی سالیانه از ۵۰ میلیمتر در کویر تا بیش از۱۶۰۰ میلیمتر در حاشیه دریای خزر میباشد. متوسط بارندگی سالیانه ایران ۲۶۰ میلیمتر است وبیش از ۹۰ درصد کشوردر منطقه خشک ونیمه خشک قرار دارد وتبخیر سالیانه از ۷۰۰ میلیمتردرکناره خزرتا بیش از ۴۰۰۰ میلیمتر در کویر وجنوب شرقی استان خوزستان تغییر می کند. بخش وسیعی از کشور ما نیز در دامنه نوسانات کمربندی پر فشار حاره ای در عرضهای ۲۳ تا۴۰ شمالی قرار دارد . به علت این ویژگی جغرافیایی، ایران دارای تابستان های گرم و خشک بوده و بارندگی آن عموماً محدود به ماههای آبان تا اردیبهشت میباشد. از سوی دیگر از حدود ۵/۱۸ میلیون هکتار اراضی کشاورزی ، ۲/۶ میلیون هکتار (۵/۳۳ %) به کشت دیم اختصاص دارد و درحدود ۲/۱ میلیون هکتار از اراضی زیر کشت دیم بارندگی بیش از ۴۰۰ میلی متر دریافت می‌نمایند( ناظم السادات ۱۳۸۰). از مجموع حدود ۴۰۰ میلیارد متر مکعب نزولات جوی سالانه در ایران ، رقمی در حدود ۲۸۰ میلیارد متر مکعب آن از طریق تبخیر از سطح آزاد و تعرق گیاهی به هوا بر میگردد و بقیه آن مقدار آبی است که در رودخانه‌ها جاری و در منابع زیر زمینی ذخیره می‌شوند و در واقع بخش اعظم آبهای ایران به دلایلی مورد بهره برداری در کشاورزی قرار نمی‌گیرند (Chassemi et al., 1995).
۲-۱-تاثیر خشکی بر گیاهان
سرمدنیا و کوچکی در مورد تنش خشکی بر روی برگ گیاهان بیان داشتند که تنش خشکی در طول دوره رویشی گیاه منجر به کوچک شدن برگها ، کاهش شاخص سطح برگ در دوره رسیدن محصول و نیز میزان جذب نور توسط گیاه میگردد . همچنین بیوسنتز کلروفیل در کمبودهای شدید آب متوقف میشود ( سرمدنیا و کوچکی، ۱۳۷۳).
طویلی بیان می کند که در اثر تنش خشکی ممکن است تغییرات متعددی در گیاه و برگهای آن حاصل شود . لولهای شدن برگها، پیچ خوردن برگها ، کاهش سطح برگ ، ریزش برگهای مسن ، صیقلی و چرمی شدن برگها ، پرزدار شدن ، افزایش تعداد روزنهها ، کاهش اندازه روزنهها و افزایش ضخامت لایههای پارانشیمی برگها می گردد (طویلی، ۱۳۷۸).
آلن به اثر مهم کمبود آب دربافتهای مریستمی اشاره میکند که بر روی فعالیتهای سازندگی از قبیل ساخت DNAو RNAو مواد جداره سلول موثر است. کاهش آماس باعث تقلیل نمو سلول میشود که به نوبه خود موجب کاهش نمو برگ ، شاخه و ریشهها می شود . از طرفی کاهش آماس بر فرایندهای وابسته به آن نظیر باز شدن روزنهها موثر است . میتوان گفت ک

توجهی خواهندبود.
۴-۴-۶ استفاده از اطلاعات زمینه در پیشنهاددهندهها
نسل فعلی سیستمهای پیشنهاددهنده در فضای دوبعدی User×Item، یعنی فضایی شامل کاربر و اقلام به تخمین امتیازات میپردازد. این در حالی است که در بسیاری مواقع، امتیاز دادهشده به یک محصول از سوی یک کاربر بسته به شرایطی چون زمان استفاده (فصل، ماه ویا روزهای هفته)، همراهان کاربر که با او در استفاده از اقلام شریک هستند و غیره بستگی خواهدداشت و در نتیجه درنظرگرفتن این اطلاعات در فرایند پیشنهاددهی، ضروری خواهدبود. در اینصورت دامنه پیشنهاددهی از یک دامنه دوبعدی که فقط کاربران و اقلام در آن قرار دارند وارد یک فضای m بعدی میشود که هر کدام از اطلاعات زمینه یکی از بعدهای آنرا تشکیل میدهند و سیستمهای پیشنهاددهنده چندبعدی۱۳۸ خواهیم داشت [۷۰,۱۰].
۴-۴-۷ سایر گزینهها برای بسط و توسعه سیستمهای پیشنهاددهنده
از جمله موضوعات تحقیقاتی مهم دیگر میتوان به قابلیت توسعهپذیری، مقیاسپذیری، اعتمادپذیری و امنیت در سیستمهای پیشنهاددهنده اشارهکرد.
۴-۵ جمعبندی
سیستمهای پیشنهاددهنده یک نوع ویژه از سیستمهای فیلترکننده اطلاعات هستند که در آن اقلام را بر اساس میزان جذابیت آنها برای کاربران از یک مجموعه بزرگ از اقلام و کاربران فیلتر میکنند. در این فصل مروری بر سیستمهای پیشنهاددهنده انجامشد. روشهای پیشنهاددهی شامل مبتنیبر محتوا، فیلترسازی مشارکتی و روشهای ترکیبی تشریح شده و محدودیتها و مشکلات هر کدام ارائهشد. پس از آن به روشهای ارزیابی این سیستمها شامل برون خطی و بر خط و همچنین شاخصهای کیفی پیشنهاددهی پرداخته شد. در پایان روشهای بسط قابلیتهای سیستمهای پیشنهاددهنده ارائهشدند.
فصل پنجم: روش جدید چندبعدی برای پیشنهاددهی آگاه از زمینه
۵-۱ مقدمه
در این تحقیق به بررسی سیستمهای پیشنهاددهنده آگاه از زمینه در تجارت سیار پرداختهشدهاست. سیستمهای پیشنهاددهنده در تجارت سیار از جمله موضوعات پراهمیت سالهای اخیر بودهاند که با ظهور تکنولوژیهای بیسیم و تسهیل حرکت تجارت الکترونیکی از محیطهای سیمی به سوی بیسیم مورد توجه قرارگرفتهاند. پیادهسازی سیستمهای پیشنهاددهنده در محیطهای سیار بدون درنظرگرفتن پارامترهای تاثیرگذار در این محیط چندان مناسبنخواهدبود. مجموعه این پارامترها، اطلاعات زمینه را تشکیل میدهند[۶].
در این فصل روش جدید چندبعدی برای پیشنهاددهی آگاه از زمینه معرفیشدهاست. ابتدا تعریفی از سیستمهای پیشنهاددهنده آگاهاز زمینه ارائهشده و به پارامترهای زمینهای تاثیرگذار در این سیستمها پرداخته میشود. دستهبندیای از پارامترهای زمینهای در سیستمهای پیشنهاددهنده ارائه میشود. سپس روشی برای مدلسازی اطلاعات زمینه معرفیشده و در پایان روش جدید پیشنهادشده در این تحقیق تحت عنوان یک روش جدید چندبعدی برای پیشنهاددهی آگاه از زمینه در تجارت سیار ارائه میشود.
۵-۲ سیستمهای پیشنهاددهنده آگاهاززمینه در تجارت سیار
یکی از روشهای توصیف ویژگیهای سیار بودن در حوزه کاربردهای تجارت سیار، استفاده از اطلاعات زمینه است. درواقع محاسبات آگاه از زمینه یکی از الگوهای مشهور مورد استفاده در محاسبات سیارمیباشد که از اطلاعات زمینه برای توصیف شرایط استفاده میکند[۷۴]. تغییر شرایط با حرکت وسایل سیار را میتوان در قالب پارامترهای زمینهای بیاننمود، زیرا با حرکت کاربر و وسیله همراه او در طول زمان، شرایط زمینهای نیز تغییر میکند. با آگاهی از زمینه، میتوان از آن بهعنوان یک مکانیزم فیلتربندی یا اولویتبندی در ارئه خدمات و یا ارائه اطلاعات مورد نیاز کاربر به وی استفادهنمود[۶,۳۸,۷۲] و به همین دلیل بهکارگیری این مفهوم در روشهای پیشنهاددهی سیار مزایای زیادی را بههمراه خواهدداشت. در حقیقت زمینه خصوصیات پویای کاربر را بهتصویر میکشد و میتوان بسیاری از نیازهای وی را از محتوای زمینه استنباطنمود[۳۸].
همانطور که قبلاً نیز مورد اشاره قرار گرفت، در بین تعاریف ارائهشده در رابطه با زمینه و آگاهی از زمینه، تعریف دِی و ایبود[۲۸]، یکی از بهترین و پر استنادترین این تعاریف بودهاست. آنها سیستمی که از زمینه برای تولید خدمات/ اطلاعات مرتبط با کاربر بهره میگیرد را آگاه از زمینه مینامند که در این تعریف، مرتبط بودن به فعالیت کاربر بستگی دارد. با استناد به تعریف دِی، در این تحقیق تعریفی برای پیشنهاددهندههای آگاه از زمینه در تجارت سیار ارائهشدهاست:
سیستمهای پیشنهاددهنده آگاه از زمینه، با استفاده از اطلاعات پویای زمینه که توصیفگر وضعیت اقلام و کاربر بوده و بر نحوه تصمیمگیری کاربر در انتخاب اقلام تاثیرگذار است به عملیات پیشنهاددهی میپردازند. پارامترهای زمینهای تاثیرگذار در سیستمهای پیشنهاددهنده سیار را میتوان به دو دسته تقسیم نمود:
۱- اطلاعات تاریخچهای زمینه
این نوع اطلاعات زمینه در ارتباط میان کاربران و اقلام لحاظ میشود. در حقیقت با توجه به تغییر زمینه در طول زمان و با حرکت وسایل، دانش اینکه کاربران در شرایط زمینهای متفاوت به چه اقلامی بیشتر علاقه نشان میدهند در سیستم ثبت و به منظور پیشگوییهای آینده از آنها استفاده میشود. با استفاده از این نوع اطلاعات، تعیین میزان تشابه میان کاربران و همچنین اقلام با دقت بیشتری انجام خواهدشد.
۲- اطلاعات جاری (برخط) زمینه
اطلاعات جاری زمینهای است که کاربران و اقلام را در زمان حال، یعنی زمان ارائه درخواست به سیستم در برگرفتهاست. یک سیستم پیشنهاددهنده سیار آگاه از زمینه میتواند از اطلاعات جاری زمینه بهعنوان یک مکانیزم فیلتربندی یا اولویتبندی در ارئه خدمات و یا اطلاعات مورد نیاز کاربر استفاده کند.
در زمان تعریف پارامترهای زمینه (چه از نوع تاریخچهای و چه از نوع برخط) تشخیص تاثیرگذار بودن یا نبودن آن پارامترها در ایجاد خروجی مناسب برای سیستم با توجه به کاربرد خاص آن را باید مورد توجه قرارداد که مساله مهمی را در سیستمهای پیشنهاددهنده آگاه از زمینه به خود اختصاص میدهد. با توجه به این موضوع، سیستمهای پیشنهاددهنده سیار آگاه از زمینه میتوانند درگیر هر دو نوع اطلاعات تاریخچهای و برخط زمینه باشند و یا تنها با استفاده از اطلاعات برخط از زمینه، عملیات پیشنهاددهی انجام دهند. در حالتی که تنها از اطلاعات برخط زمینه استفاده میشود، درصورتی که کاربر در شرایط زمینهای Context1 باشد، سیستم به پیشنهاد اقلامی میپردازد که آنها هم در Context1 قرار داشتهباشند بدون اینکه هیچ محدودیت دیگری را مدنظر قرار دهد. ولی در حالتی که در سیستم از اطلاعات تاریخچهای هم استفادهشود، درصورتی که کاربر در شرایط زمینهای Context1 باشد، سیستم به پیشنهاد اقلامی میپردازد که آنها هم در Context1 قرار داشتهباشند و علاوهبرآن با توجه به اطلاعات ثبت شده در سیستم چنین استنباط شود که کاربر به اقلام پیشنهادشده در این زمینه علاقه خواهدداشت. پارامترهایی که بهعنوان جاری برای سیستم تعریف میشوند الزاما با پارامترهای تاریخچهای یکسان نیستند. بهعبارت دیگر، پارامترهای تاریخچهای زیرمجموعهای کوچکتر یا مساوی از پارامترهای جاری را تشکیل میدهند.
۵-۳ مدلسازی اطلاعات زمینه
درصورت بهکارگیری اطلاعات زمینه، این اطلاعات باید بهطریقی در سیستم مدل شده و ارتباط آنها با سایر مجموعه اطلاعات موجود در سیستم مشخص شود. در مرجع [۱۰] روشی برای مدل کردن اطلاعات زمینه به شیوه مدل داده چندبعدی۱۳۹ استفاده شده در انبار داری دادهها، ارائهشدهاست که در یک سیستم پیشنهاددهنده فیلم در محیط تجارت سنتی الکترونیک هم پیادهسازی و ارزیابی شدهاست. این مدل در سیستمهای پیشنهاددهنده سیار آگاه از زمینه نیز قابل استفاده بوده و در این تحقیق از آن استفادهشدهاست. بهاینترتیب اطلاعات تاریخچهای زمینه در مدل داده چندبعدی قرار میگیرند. بهاینصورت که با درنظر گرفتن این نوع اطلاعات، دامنه پیشنهاد از یک دامنه دوبعدی که فقط کاربران و اقلام در آن قرار دارند وارد یک فضای n بعدی میشود که هر کدام از اطلاعات زمینه یکی از بعدهای آنرا تشکیل میدهند و سیستمهای پیشنهاددهنده چندبعدی خواهیم داشت. به این ترتیب، امتیازات در یک مکعب چندبعدی ذخیره میشوند. در صورتی که هر بعد را به صورت Di نمایش دهیم، تابع سودمندی به صورت رابطه (۵-۱) نمایش داده میشود.[۱۰]
(۵-۱)
هر Di (هر یک از ابعاد ) زیرمجموعهای از ضرب کارتزین ویژگیهای مرتبط با آن میباشد.(هر ویژگی یک دامنه شامل مجموعه ای از مقادیر را تشکیل میدهد.)
(۵-۲)
Di Aik1 × Aik2 × ·· · × Aiki
که در آن، هر بعد ازKi ویژگی تشکیلشدهاست. به مجموعه ویژگیها پروفایل بعد گفته میشود. ( به عنوان مثال بعد کاربر از ویژگیهایی چون نام، سن، جنسبت و غیره تشکیل شدهاست.).
بهعنوان مثال یک فضای پیشنهاددهی سهبعدی در شکل ۵-۱ نمایش دادهشدهاست که علاوه بر ابعاد کاربر و اقلام، دارای بعد زمان نیز میباشد.
شکل ۵-۱: مدل چندبعدی پیشنهاددهی برای فضای سهبعدی [۱۰] User×Item×Time
در صورتیکه در یک سیستم پیشنهاددهنده سیار از اطلاعات تاریخچهای استفاده نشود، مدل داده چندبعدی تبدیل به همان مدل داده دوبعدی کلاسیک میشود. پارامترهای جاری زمینه همراه درخواست کاربر به سیستم ارائه میشود.
۵-۴ روش چندبعدی در سیستمهای پیشنهاددهنده سیار آگاه از زمینه
پس از مدلسازی اطلاعات، گام بعدی یافتن روشی برای تخمین زدن امتیازات نامعلوم در یک فضای چندبعدی است. اگرچه الگوریتمها و روشهای زیادی برای تخمین امتیازات در سیستمهای دوبعدی وجوددارد، بدلیل وجود ابعاد چندگانه و پیچیدگیهای مربوط به آن همه آنها قابل توسعه به سیستمهای چندبعدی نیستند. برای حل این مساله میتوان به شیوهای ابتدا دامنه پیشنهاددهی را از فضایn – بعدی به فضای ۲- بعدی Item)*(User کاهش داده و سپس عملیات پیشنهاددهی در فضای ۲-بعدی انجام شود. در نتیجه اعمال این تکنیک (کاهش و تبدیل فضای پیشنهاددهی از چندبعدی به دوبعدی) تمام روشهای ارائهشده در فضاهای دوبعدی قابل اعمال در فضای مزبور خواهدبود. همچنین میتوان بهدنبال ارائه روشهای جدید مبتنیبرمدل و مبتنیبرحافظه برای تخمین امتیازات در این فضای چندبعدی بود. با این مقدمه روشهای قابل بهکارگیری در سیستمهای توصیهکنندهچندبعدی را میتوان به به سه دسته زیر تقسیمنمود:[۱۰]
* روشهای مبتنی بر حافظه
* روشهای مبتنی بر مدل
* روشهای مبتنی بر کاهش فضا۱۴۰
در [۱۰] همچنین یک روش پیشنهاددهی مبتنی بر کاهش فضا ارائهشدهاست. عملیات کاهش فضا با استفاده از دو عملیات پیدرپی انتخاب۱۴۱ با توجه به زمینهای که کاربر در آن قرار دارد و انتخاب قسمتهای مرتبط با این زمینه در بین مجموعهدادهها

خصوصیات دامنه موردبحث تولیدشوند. البته این مجموعه دادهها هرچقدر هم که دقیق تولید شدهباشند، نمیتوانند طبیعت کاربران و دادههای حقیقی را منعکس کنند. علاوهبر آن ممکن است با شرایط یک الگوریتم جور درآمده و به خوبی روی آن جواب دهند ولی برای الگوریتمهای دیگر ناجور جواب دهند و بههمین دلیل نتایج مقایسهای بدست آمده از تست الگوریتمها بر روی آنها چندان قابل اعتماد نیستند. البته استفاده از دادههای مصنوعی میتواند در موارد محدودی چون گامهای اولیه ایجاد سیستم و یا قبل از تکمیل جمعآوری دادههای حقیقی، مفید واقعشود. با توجه به موارد مطرح شده، ایجاد تکنیکهایی برای مدلسازی علایق کاربر و تولید دادههای مصنوعی بهتر، خود یک زمینه تحقیقاتی بهشمار میرود که میتواند به توسعه سیستمهای پیشنهاددهنده دقیقتر نیز منجر شود[۶۴,۶۵].
مساله بعدی انتخاب شاخصی برای ارزیابی سیستم پیشنهاددهنده است. اکثریت روشهای تجربی ارزیابی که تا به امروز ارائه شدهاند بر ارزیابی صحت۱۲۲ پیشنهاددهندهها تمرکز کردهاند. معیارهای صحت به شیوههای تجربی، میزان نزدیکی نرخهای پیشبینیشده اقلام را با نرخهای واقعی ارائهشده از سوی کاربران مشخص کنند. دو تا از معروفترین شاخصهای صحت عبارتند از دقت۱۲۳ و فراخوانی۱۲۴[۶۴].
دقت و فراخوانی، معیارهای استانداردی برای ارزیابی سیستمهای بازیابی اطلاعات هستند. معیار دقت، احتمال مرتبط بودن آیتم انتخابشده را نشان میدهد. این کار با اندازهگیری نسبت اقلام مرتبط انتخابی به کل اقلام انتخابی انجام میگیرد. در حالیکه فراخوانی، احتمال انتخاب محصول مرتبط را بیان میکند. این کار با اندازهگیری نسبت اقلام انتخابی مرتبط به کل اقلام مرتبط انجام میگیرد. این دو پارامتر غالباً در تضاد با یکدیگر هستند و افزایش یکی از آنها باعث کاهش دیگری میشود. معیار F1 ترکیبی از دو معیار بالاست و بهصورت زیر محاسبه میشود[۶۴]:
(۴-۱۳)
پوشش۱۲۵ نیز یکی از معیارهای معروف ارزیابی پیشنهاددهندهها است و بیانکننده درصدی از کل اقلام است که سیستم قادر است پیشنهاد دهد. هرچقدر این معیار بیشتر باشد، میتوان انتظار داشت که درصد بیشتری از محصولات، میتوانند پیشنهاد دادهشوند. نسبتی از اقلام مورد علاقه کاربر نسبت به کل اقلام میتوانند روشی برای محاسبه این معیار باشد[۶۴].
بدیهی است که معیارهای دیگری نیز وجود دارند که از ابعاد دیگری به ارزیابی سیستمهای پیشنهاددهنده میپردازند. تعدادی از این شاخصهای کلیدی عبارتند از: سودمندی لیست پیشنهاد که در [۶۶] استفادهشدهاست. تازگی پیشنهاد هم میتواند از دیگر معیارها باشد، همچنین رضایت کاربر، قابلیت توسعه و قابلیت پیشرفت. این سیستمها را همچنین میتوان از نظر کارایی و اندازهپذیری جهت اندازهگیری زمان پاسخ ارزیابی کرد[۶۴,۶۵].
۴-۴ بسط قابلیتهای سیستمهای پیشنهاددهنده
توسعه سیستمهای پیشنهاددهنده از ابعاد گوناگونی مورد توجه قرارگرفتهاست. شیوههای مختلف توسعه این سیستمها که در ادامه به آنها پرداختهمیشود، عبارتند از: شرکتدادن شناختی جامع از کاربران و اقلام در فرآیند پیشنهاددهی، امتیازگذاری چندمعیاری۱۲۶، ایجاد پیشنهاددهندههای غیرتداخلی۱۲۷، انعطافپذیری۱۲۸، توسعه شاخصهای ارزیابی، استفاده از اطلاعات زمینه۱۲۹ و غیره[۷].
۴-۴-۱ شرکتدادن شناختی جامع از کاربران و اقلام در فرآیند پیشنهاددهی
اغلب روشهای پیشنهاددهی مانند فیلترسازی مشارکتی، اطلاعات پروفایل کاربران و اقلام را در فرایند پیشنهاددهی دخالت نمیدهند و تنها از مجموعه امتیازات موجود برای پیشبینی سایر اطلاعات استفاده میکنند. اگرچه تحقیقاتی در رابطه با استفاده از پروفایل کاربر و محصول در بعضی متدهای پیشنهاددهی انجامشدهاست که از آن جمله میتوان به فیلترسازی دموگرافیک[۶۱] اشارهکرد، پروفایلهای مزبور بسیار ساده هستند و از تکنیکهای پیشرفته پروفایلسازی برای ایجاد آنها استفاده نشدهاست. علاوهبر ویژگیهای پروفایلهای سنتی مانند کلمات کلیدی و دموگرافیکهای کاربری ساده، از تکنیکهای پیشرفته ساخت پروفایل، که با استفاده از روشهایی چون قوانین دادهکاوی۱۳۰ [۶۷,۶۸] و دنبالهها۱۳۱ [۶۹] قادرند علایق کاربر را از طریق تراکنشها و سایر اطلاعات مرتبط با وی استنتاج و توصیف کنند، برای ساخت پروفایلهای کاملتر کاربری استفاده میشود.
۴-۴-۲ امتیازگذاری چندمعیاری
اغلب سیستمهای پیشنهاددهنده فعلی با امتیازگذاری یک معیاری سروکار دارند مثل امتیازگذاری فیلمهای دیدهشده و یا کتابهای خواندهشده. با این وجود در بعضی از کاربردهای پیشنهاددهنده، درگیر کردن امتیازت چندمعیاری ضروری بهنظر میآید. مثلاً اغلب راهنماهای رستورانها سه معیار را برای امتیازت رستورانها ارائه میدهند: کیفیت غذا، خدمات و دکور. به موضوع امتیازگذاری چندمعیاری در تحقیقات حوزه سیستمهای پیشنهاددهنده اهمیت چندانی داده نشدهاست. راهحلهای کلی برای بهینهسازی مسائل چندمعیاری شامل موارد زیر است:
– راهحلهای رسیدن به شرایط بهینه پرتو۱۳۲. پرتو می‌گوید که اگر سیاستی واجد این شرط باشد که بدون این که وضع عده‌ای را بدتر کند وضع عده‌ای دیگر را بهتر کند باید اعمال شود. این کار را تا جایی ادامه می‌دهیم که دیگر نتوان وضع عده‌ای را بدون بدتر کردن وضع عده‌ای دیگر بهبود بخشید. این جا شرایط بهینه پرتو است.
– تشکیل یک ترکیب خطی از چندین معیار موجود و درنتیجه تبدیلکردن مساله به مسالهای تکمعیاری.
– مشخصنمودن یکی از معیارها بهعنوان مهمترین آنها وبهینهسازی آن درحالی که سایر معیارها بهعنوان محدودیتهای جانبی مساله درنظر گرفتهشدهاند.
– بهینهسازی تکتک معیارها بهصورت پیدرپی و جداگانه درحالی که سایر معیارها بهعنوان محدودیتهای جانبی مساله درنظر گرفتهشدهاند.
مسائل ذکرشده هرکدام میتواند به یک مساله تحقیقاتی موردتوجه و بحثبرانگیز تبدیلشود.
۴-۴-۳ پیشنهاددهندههای غیرتداخلی
اغلب سیستمهای پیشنهاددهنده نیاز به بازخورد مستقیم کاربر دارند و بههمین جهت کاربر را درگیر عملیات پیشگویی میکنند. مثلاً قبل از اینکه سیستم بتواند مقالات یک گروه خبری را پیشنهاد دهد، نیاز دارد تا به اندازه کافی امتیازات مقالات خواندهشده از کاربر دریافت کند. بعضی از پیشنهاددهندهها سعی کردهاند تا از روشهای امتیازگذاری غیرتداخلی استفاده کنند. این روشها بهصورت غیرمستقیم امتیازات را تخمین میزنند. مثلاً از روی مقدار زمانی که یک کاربر صرف خواندن یک مقاله میکند، امتیاز کاربر به مقاله حدس زده میشود. برای آشنایی با بعضی از روشهای غیرمستقیم برای بدست آوردن بازخورد کاربر به[۷] مراجعهکنید. امتیازگذاریهای غیرتداخلی موجود چندان دقیق نیستند و نمیتوانند جایگزین کاملاً مناسبی برای روش امتیازگذاری مستقیم باشند. مساله کاهش میزان تداخل در عین حفظ سطوح دقت، جزء نیازهای مهم سیستمهای پیشنهاددهنده است که باید توسط محققان این حوزه مورد توجه قرار گیرد. یکی از راهحلهای ارائهشده بدست آوردن تعداد بهینهای از امتیازات هر کاربر جدید قبل از ورود او به سیستم است. مثلاً سیستم MovileLens.org، قبل از پیشنهاد هر فیلمی از کاربر میخواهد تا میزان از پیشتعیینشدهای فیلم را امتیازگذاری کند (مثلاً ۲۰ تا)، بنابراین در اینگونه سیستمها پیداکردن این عدد بهینه، مسالهای اساسی خواهدبود.
۴-۴-۴ انعطافپذیری
اکثر روشهای پیشنهاددهنده بهاصطلاح در سیستم سیمپیچی۱۳۳ شدهاند. به این معنی که قادرند تنها مجموعه ثابت و از پیشتعریفشدهای از پیشنهادات را به کاربر ارائهدهند و بنابراین قادر نخواهند بود نیازهای پیشنهادی کاربران را در زمان اجرا شخصیسازی کنند. در [۷۰] زبان پرسوجوی پیشنهاد۱۳۴، RQL، بهعنوان راهحل این مشکل ارائهشدهاست. RQL زبانی شبه SQL میباشد که امکان درخواست پیشنهادات منعطف از سوی کاربر را امکانپذیر میسازد. مثلاً درخواست “به کاربران نیویورکی سه تا از بهترین فیلمهایی که زمان نمایش آنها بیشتر از دو ساعت است، نمایش بده”، با استفاده از RQL در شکل ۴-۱ نمایش دادهشدهاست.
شکل ۴-۱: نمونهای از زبان RQL
علاوهبراین، اغلب پیشنهاددهندهها اقلام را بهصورت مجزا به کاربران پیشنهاد میدهند. در این سیستمها مساله تجمع۱۳۵ مورد توجه نبودهاست. با این حال در بعضی از کاربردها نیاز به انجام پیشنهادات مجتمعشده وجوددارد، مثل نیاز به پیشنهاد مارکها یا گروههایی از محصولات به گروههای خاصی از کاربران. مثلاً یک پیشنهاددهنده بستههای مسافرتی ممکن است بخواهد در خلال یک تعطیلات بهاری بستههای مسافرتی فلوریدا را (دستهبندی محصولات) به دانشجویان شمالی دوره لیسانس (بخش کاربری) پیشنهاد دهد. در چنین مواردی بهجای تخمین امتیازات یک کاربر به محصولات مجزا، باید امتیازات دستههای کاربری به گروههای محصولات تخمین زدهشود. سیستمهای مبتنی بر OLAP بهشکل ذاتی از سلسلهمراتب و تجمع پشتیبانی میکنند. استفاده از روشهای مبتنی بر OLAP در سیستمهای پیشنهاددهنده در تحقیقاتی چون [۷۰] و [۱۰] ارائهشدهاست. با این وجود هنوز به تحقیقات زیادی نیاز است تا از مزایای روشهای OLAP بهدرستی در پیشنهاددهندهها استفاده شوند.
۴-۴-۵ توسعه شاخصهای ارزیابی
استفاده از شاخصهای ارزیابی مناسب برای اندازهگیری کارایی پیشنهادات جزء حوزههای تحقیقاتی سیستمهای پیشنهاددهنده است. از جمله این تحقیقات میتوان به [۶۴]، [۶۵]و[۶۶] اشارهکرد. اگرچه معیارهای تجربی ارزیابی مشهور مانند دقت و پوشش، ضروری و پراستفادهاند، اما دارای محدودیتهای خاص خود نیز هستند. یکی از محدودیتها این است که معیارهای مذکور بر روی دادههای آزمایشیای که کاربر امتیازگذاری کردهاست، آزمایش میشوند. چنین مجموعهای میتواند یک نمونه نامتوازن محسوب شود، زیرا کاربران احتمالاً اقلامی را امتیازگذاری میکنند که بیشتر به آنها علاقه دارند. بنابراین، نتایج ارزیابیهای تجربی معمولاً مشخص میکنند که سیستم تا چه حد در رابطه با اقلامی که کاربر تصمیم دارد امتیازگذاریشان کند، دقیق است اما امکان ارزیابی توانایی سیستم در رابطه با اقلام تصادفی وجودندارد. پس انجام آزمایشاتی برای ارزیابی صحیح و شناخت مزایا و محدودیتهای تکنیکهای ارائهشده پیشنهاددهی ضروری است، هرچند این آزمایشات زمانبر و پرهزینه هستند و بههمین دلیل به ندرت انجام میشوند. نمونهای از چنین ارزیابیهایی در [۷۱] آمدهاست.
علاوهبرآن، اگرچه اندازهگیری دقت و پوشش پیشنهادات ضروری است اما معیارهای ذکرشده بهطرز مناسبی کیفیت و کارامدی سیستمهای پیشنهاددهنده را ارزیابی نمیکنند. مثلاً شاخصهای اقتصادگرا که ارزش کسبوکار را مشخص میکنند در سیستمهای پیشنهاددهنده مورد توجه نبودهاند. ارزیابی سیستمهای پیشنهاددهنده از نظر معیارهایی چون چرخه حیات مشتری۱۳۶ و بازگشت سرمایه۱۳۷ موضوعات تحقیقاتی مورد

مبتنیبرکسینوس، با تغییراتی چون رایگیری پیشفرض۱۰۷، معکوس فراوانی کاربر۱۰۸، تقویت وضعیت۱۰۹ و پیشگویی وزن اکثریت۱۱۰، توسعه دادهشدهاند[۷]. در روش دیگری که برای بهبود کیفیت سیستمهای پیشنهاددهنده فیلترسازی مشارکتی بهکار رفتهاست، به جای محاسبه میزان شباهت کاربران، از دو روش مبتنی بر همبستگی و مبتنی بر کسینوس برای محاسبه میزان شباهت میان اقلام استفادهشدهاست. از این نقطهنظر میتوان الگوریتمهای فیلترسازی مشارکتی را به دو دسته مبتنیبرکاربر۱۱۱ و مبتنیبرآیتم۱۱۲ تقسیم نمود. در دسته اول، سیسستم کاربران مشابه با کاربر هدف را پیدا میکند و کالاهایی که مورد علاقه آن کاربران است را به کاربر هدف پیشنهاد میدهد. در دسته دوم، سیستم بهجای آنکه کاربران همسایه کاربر هدف را پیدا کند، آیتمهای مشابه با آیتمهایی را که کاربر قبلاً به آنها امتیاز بالایی دادهاست، پیدا میکند و به کاربر پیشنهاد میدهد و تشابه بین آیتمها را بر اساس امتیازگذاریهای دیگر کاربران تشخیص میدهد. بنابراین امتیاز کاربر به یک محصول هدف، با توجه به میانگین اوزان امتیازات کاربر هدف به اقلام مشابه محصول موردنظر محاسبه میشود. مثلاً در محاسبه تشابه مبتنیبرکسینوس، دو محصول i و j بهصورت دو بردار در فضای m کاربر که این دو محصول را امتیازدهی کردهاند، درنظر گرفتهمیشوند، سپس شباهت میان آنها از طریق محاسبه کسینوس زاویه بین این دو بردار محاسبه میشود. مقایسات تجربی ثابت کردهاند که الگوریتمهای مبتنیبرآیتم علاوهبر اینکه از کارایی محاسباتی بهتری در مقایسه با روشهای سنتی فیلترسازی مشارکتی برخوردارند، کیفیت پیشنهاددهی بهتر و یا حداقل معادل با الگوریتمهای مبتنیبرکاربر نیز دارند[۵۶,۵۸].
همانطور که گفتهشد، علاوهبر این روشها که جزء روشهای مبتنیبرحافظه هستند، الگوریتمهای دیگری نیز در گروه فیلترسازی مشارکتی قرار میگیرند که بهعنوان روشهای مبتنیبرمدل شناخته میشوند. الگوریتمهای بر اساس مدل، با استفاده از مجموعه امتیازات موجود، مدلی را ایجاد کرده و از آن بهمنظور پیشگویی امتیازات استفاده میکنند. مدل موردنظر توسط تکنیکهای آماری ویادگیری ماشین ایجاد میشود. در تحقیقاتی چون [۵۷] و [۵۹] ، شیوههای مبتنیبرمدل ارائهشده با شیوههای استاندارد مبتنیبرحافظه مقایسه شدهاند و نتایج نشان میدهند که در بعضی از کاربردها، روشهای مبتنیبرمدل از لحاظ دقت پیشنهاددهی بهتر از دسته دیگر روشها عمل میکنند. البته مقایسات انجامشده و نتایج بدست آمده در این تحقیقات، کاملاً جنبه آزمایشی و تجربی داشته و از هیچ تئوری نظری خاصی پیروی نمیکنند. در [۶۰] ترکیبی از روشهای مبتنیبرمدل و مبتنیبرحافظه ارائهشدهاست. نتایج تجربی ارزیابی روش نشان میدهند که یک روش ترکیبی در مقایسه با روشهای خالص پیشنهادهای بهتری ارائه میکند.
۴-۲-۲-۱ مشکلات و محدودیتهای روشهای فیلترسازی مشارکتی
بعضی از محدودیتها و ضعفهای سیستمهای مبتنی بر محتوا در سیستمهای پیشنهاددهنده فیلترسازی مشارکتی وجود ندارد. در واقع، به این دلیل که پیشنهاددهندههای فیلترسازی مشارکتی از امتیازات سایر کاربران برای تخمین امتیازات استفاده میکنند، میتوانند هر نوع محتوا و هر قلم کالایی را که حتی ممکن است با کالاهای مشاهدهشده قبلی متفاوت باشند، پیشنهاد دهند. با این وجود، این روشها نیز محدودیتها و مشکلات خود را دارند که در ادامه به آنها پرداخته میشود.
* مشکل کاربر جدید۱۱۳
این مشکل در این نوع سیستمها، همانند سیستمهای مبتنی بر محتوا به چشم میخورد. برای انجام پیشبینیهای دقیق، سلایق کاربر را باید از امتیازاتی که او به اقلام مختلف دادهاست، بدست آورد. به همین دلیل برای یک کاربر جدید، به دلیل وجود نداشتن امتیازات کافی، نمیتوان عملیات پیشبینی و ارائه پیشنهاد را انجام داد. یکی از راه حلهای این مشکل، استفاده از ترکیب یک روش مبتنی بر محتوا در سیستم پیشنهاددهنده فیلترسازی مشارکتی است. در بخشهای بعدی با اینگونه روشها که با نام روشهای ترکیبی شناخته میشوند، آشنا میشویم.
* مشکل محصول جدید۱۱۴
در هر سیستم پیشنهاددهندهای اقلام جدید بهطور متناوب اضافه میشوند. تا زمانی که امتیازات به حد کافی از طرف کاربران مختلف به یک محصول جدید داده نشود، سیستم پیشنهاددهنده بر مبنای فیلترسازی مشارکتی، آن محصول را به هیج کاربری پیشنهاد نمیدهد. این مشکل را نیز با کمک روشهای ترکیبی میتوان حلکرد.
* خلوت بودن۱۱۵ ماتریس کاربر – اقلام
همانگونه که اشاره شد، این ماتریس، ماتریسی است با ابعاد n×m که n تعداد کاربران و m تعداد اقلام میباشد و هر سلول (i , j) این ماتریس، امتیازی است که توسط کاربر i به محصول j دادهشدهاست. در همه سیستمهای پیشنهاددهنده، تعداد امتیازات دادهشده از تعداد امتیازاتی که باید توسط سیستم تخمین زده شوند، کمتر هستند. در صورتی که تعداد امتیازات موجود آنقدر کم باشد که سیستم نتواند پیشبینیهای مناسب و موثر انجام دهد، عملکرد سیستم با شکست روبرو خواهدشد و میزان درستی و صحت امتیازات پیشنهادی پایین خواهد آمد. از آنجایی که تعداد محصولات در سیستمهای پیشنهاددهنده اغلب زیاد است، در صورتی که امتیازات کاربران به آنها بسیار کم باشد، مجموعه محصولاتی که کاربران مختلف به آنها امتیاز دادهاند همپوشانی کمی خواهند داشت و بهخصوص زمانی که تعداد کاربران سیستم کم باشند، این مشکل حادتر خواهدبود. دستهبندی محصولات و کاربران میتواند تاحدی این معضل را بهبود بخشد. این دستهبندی با استفاده از اطلاعات پروفایل کاربران و اقلام صورت میگیرد. بهعنوان مثال در یک سیستم پیشنهاددهنده فیلم، فیلمها بر اساس ژانر، کارگردان، بازیگران اصلی و سایر ویژگیها دستهبندی میشوند. استفاده از پروفایل کاربران برای تقسیمبندی آنها در سیستمهای پیشنهاددهنده، یک تکنیک فیلترسازی است که با عنوان فیلترسازی دموگرافیک۱۱۶ شناخته میشود. به عنوان مثال، در [۶۱] از اطلاعاتی چون جنسیت، سن، محل سکونت، میزان تحصیلات و اطلاعات کاری کاربران که در پروفایل آنها وجوددارد و با نام اطلاعات دموگرافیک نامیده میشود، در یک سیستم پیشنهاددهنده رستوران، برای تقسیمبندی کاربران و شناسایی کاربران مشابه استفادهشدهاست. استفاده از این تکنیک در کنار تکنیک فیلترسازی مشارکتی، مشکل خلوتی ماتریس امتیازات را تاحدی حل میکند.
۴-۲-۳ روشهای ترکیبی
روشهایی که تاکنون بررسی شدهاند، تنها از یک تکنیک برای پیشنهاددهی استفاده میکنند. اما روشهای ترکیبی تلفیقی از روشهای قبلی را استفاده میکنند. همانطور که توضیح دادهشد، هر دو دسته روشهای مبتنی بر محتوا و فیلترسازی مشارکتی دارای مشکلات و محدودیتهایی هستند. سیستمهای پیشنهاددهندهای که از روشهای ترکیبی استفاده کردهاند، سعی نمودهاند تا با ترکیب دو روش مبتنی بر محتوا و فیلترسازی مشارکتی، از مزایای یکی در جهت غلبه بر محدودیتهای دیگری استفاده کنند. یک دستهبندی از شیوههای مختلف ترکیب روشهای فیلترسازی مشارکتی و مبتنی بر محتوا که در[۷] ارائهشدهاست، به شکل زیر میباشد:
* پیادهسازی روشهای مبتنی بر محتوا و فیلترسازی مشارکتی بهصورت جداگانه و بعد از آن ترکیب نتایج آنها که در مرحله پیشبینی بدست آمده اند. ترکیب نتایج میتواند بهصورت ترکیب وزندار نتایج و یا انتخاب یکی از نتایج که بر اساس یک معیار کیفی از دیگری بهتر است، صورتگیرد.
* سیستم پیشنهاددهنده بر اساس یک روش فیلترسازی مشارکتی طراحی شود و بعضی از ویژگیهای تکنیک مبتنی بر محتوا در آن وارد شود.
* سیستم پیشنهاددهنده بر اساس یک روش مبتنی بر محتوا طراحی شود و بعضی از ویژگیهای تکنیک فیلترسازی مشارکتی در آن وارد شود.
* ایجاد یک مدل عمومی و یکنواخت که ویژگیهای هر دو تکنیک فیلترسازی مشارکتی و مبتنی بر محتوا را ترکیب میکند.
در تحقیقات زیادی، کارایی روشهای ترکیبی با روشهای خالص مبتنی بر محتوا و فیلترسازی مشارکتی به شکل تجربی مقایسه شدهاند و نتایج بدست آمده به وضوح ثابت کردهاند که روشهای ترکیبی، پیشنهادهای دقیقتری در مقایسه با روشهای غیرترکیبی ارائه میکنند[۶۱,۶۲,۶۳].
۴-۳ ارزیابی۱۱۷ سیستمهای پیشنهاددهنده
برای ارزیابی موفق الگوریتمهای پیشنهاددهنده باید در رابطه با روش ارزیابی، مجموعه داده مورد ارزیابی، و انتخاب شاخص یا شاخصهایی برای ارزیابی، تصمیمگیریکرد. تا به امروز، روشهای زیادی بهمنظور ارزیابی عملکرد سیستمهای پیشنهاددهنده بهوجود آمدهاند. این روشها به دو گروه برونخطی۱۱۸ و برخط۱۱۹ تقسیم میشوند[۶۴,۶۵].
* ارزیابی برونخطی
اغلب روشهای ارزیابی الگوریتمهای پیشنهاددهنده بر تحلیل برونخط تمرکز کردهاند. در چنین نحوه ارزیابیای، الگوریتم موردنظر بر روی یک مجموعه از قبل موجود از دادهها تست شده و نتایج آن بر اساس شاخصهایی که در بخشهای پیش رو به آنها پرداخته میشود، با نتایج یک الگوریتم شناختهشده پیشنهاددهی دیگر که بر روی همین مجموعه داده اجرا میشود، مقایسه میگردد. این شیوه ارزیابی دارای مزایا و معایب مربوط به خود میباشد. برای ارزیابیهای بزرگ و زمانبر بر روی چندین مجموعه داده و یا تست همزمان چندین الگوریتم در آن واحد، این روشها سریع و اقتصادی هستند. به تنها چیزی که نیاز است، انتخاب زیرمجموعه مناسبی از این مجموعه داده است.
ارزیابی برونخطی دارای دو نقطه ضعف مهم میباشد. اول اینکه خلوتی ذاتی دادههای نرخگذاریشده باعث میشود که مجموعه اقلامی که میشود ارزیابیشان کرد، محدود باشند زیرا اگر کاربری، محصولی را امتیازدهی نکردهباشد، نمیتوان مقبولیت محصول مزبور را پس از پیشنهاد آن توسط سیستم به کاربر، ارزیابیکرد. دوم اینکه ارزیابیها محدود به نتایج پیشنهادی هستند و هیچ تحلیل برونخطیای نمیتواند مثلاً شاخصهای مرتبط با کاربر را اندازه بگیرد. شاخصهایی چون میزان رضایت کاربر از یک استراتژی پیشنهاددهی تنها در یک زمینه برخط قابل ارزیابی است.
* ارزیابی بر خط
کارایی مکانیزم بر روی یک سیستم پیشنهاددهنده در حال اجرا با کاربران روی خط، ارزیابی میشود. در ارزیابی برخط باید جامعهای از کاربران را ایجادکرد. بهدلیل مشکلات ایجاد یک سیستم زنده، ارزیابی برونخط بیشتر مورد علاقه محققان بودهاست، نه از آن جهت که بهتر است بلکه از آن جهت که انجام آن سادهتر است. آزمایشات برخط میتواند شاخصهایی چون میزان رضایت کاربر، میزان مشارکت وی و سایر پارامترهای کاربری را اندازهگیری کند.
تصمیمگیری دیگری که محققان با آن روبرو هستند، در مورد مجموعه داده انتخابی است، اینکه از مجموعه داده طبیعی۱۲۰ و از قبل موجود استفاده شود و یا از مجموعه داده مصنوعی۱۲۱ و شبیهسازی شده. اگر یک مجموعه داده از قبل ایجاد شده وجود نداشتهباشد، در شرایطی میتوان از دادههای شبیهسازیشده استفادهکرد. این مجموعهدادهها باید در هماهنگی با

سانده و باعث بهبود بنیه بذر و رشد گیاهچه می‌شود(جلیلیان و خدابنده۱۳۷۵).
همچنین اثرات سودمند تیمار کردن بذر در فعالیت‌های مزرعه‌ای در گیاهانی مثل گندم، چغندرقند، ذرت و سویا گزارش شده است(Parera and Cantliffe,1994;Singh,1995;Sadeghiyan and Yavari,2004). رشید و همکاران گزارش کردند، تیمار کردن بذرجو، باعث بهبود استقرار گیاهچه در شرایط تنش خشکی می‌گردد. (Rashid et al., 2002)
برای عمل پرایمینگ مزایای زیادی از جمله افزایش قوه نامیه، افزایش سرعت جوانه‌زنی در شرایط درجه حرارت پایین، کوتاه‌کردن متوسط زمان جوانه‌زنی، افزایش عملکرد ریشه، افزایش قدرت جوانه‌زنی و استقرار گیاهچه در شرایط آلودگی قارچی، افزایش قدرت جوانه‌زنی در شرایط شوری و خشکی، کاهش نیاز به آب جهت سبز‌شدن و در نهایت استقرار بهتر و بیشتر بوته در واحد سطح در گیاهان مختلف ذکر شده است (جلیلیان،۱۳۸۵). در همین راستا مطالعه ای تحت عنوان بررسی اثرات پیش تیمار بذر بر مولفه های جوانه زنی و رشد گیاهچه گلرنگ در شرایط تنش خشکی در آزمایشگاه و مزرعه مورد مطالعه قرار گرفت.
اهداف تحقیق:
– بررسی سطوح مختلف خشکی در بذر گلرنگ
– بررسی شاخص های عملکرد گلرنگ در سطوح مختلف پرایمینگ
– بررسی تحمل بذر گلرنگ در شرایط مختلف پرایمینگ
فصل اول
بررسی منابع و کلیات
۱-۱-گلرنگ
۱-۱-۱-خصوصیات گیاهی
گلرنگ گیاهی است با نام علمیCarthamu stinctorius L . از تیره Compositae که به صورت بوته ای استوار رشد می کند. میوه گلرنگ همانند میوه آفتابگردان به صورت فندقه است. دانه از نظر شکلی شبیه یک دانه کوچک آفتابگردان است و به رنگهای سیاه ، زرد ، سفید یا کرمی با سطح خارجی صاف دیده میشود. ذخیره روغن در لپهها انجام می شود. وزن هر دانه گرنگ از۳۵ تا۵۰ گرم متغیر میباشد
(Andoh and Kobata, 2002).
ریشه:
این گیاه دارای ریشه ای قوی و گسترده میباشد، این ویژگی به گیاه امکان میدهد تا رطوبت و مواد غذایی را از عمق نسبتاً زیاد جذب نماید به همین جهت گلرنگ را گیاهی کم توقع و مقاوم به خشکی به شمار می آورند(Andoh and Kobata, 2002).
برگها:
پس از جوانه زنی گلرنگ و ظهور برگ های لپه ای ابتدا برگهای حقیقی گلرنگ به صورت پهن روی زمین خوابیده است. به این دوره از رشد گیاه مرحله روزت می گویند در این دوره ساقه هنوز طویل نشده و دیده نمی شود. طول دوره روزت به درجه حرارت ، ژنوتیپ و طول روز بستگی داشته و در هوای سرد و طول روزهای کوتاه طولانی تر از هوای گرم و طول روزهای بلند می باشد.طول دوره روزت حداقل بین ۴ هفته تا حداکثر ۳ ماه متفاوت است . برگ های این گیاه بر اساس نوع واریته و محل آن ها روی گیاه صاف یا خاردار هستند. بعضی از واریته ها نیز بدون خار هستند (Jensen et al., 2005)..
ساقه:
با گرم شدن هوا فاصله میان گره های ساقه زیاد و در نتیجه ساقه اصلی طویل می شود. ساقه اصلی درگلرنگ به صورت قائم و خشن است و در ارقام مختلف بین۲۵ تا۲۱۰سانتیمتر متغیر میباشد.هنگامی گیاه به ارتفاع۴۰-۳۰ سانتی متر رسید ساقه ها درقسمت فوقانی گیاه منشعب میشوند و ساقههای فرعی را تشکیل میدهند. ساقه اصلی و هریک از ساقه های فرعی به یک گل ختم میشوند (Jensen et al., 2005)..
گل:
گل ها بصورت مرکب هستند و شکل غوزه مانندی را تشکیل می دهند تعداد غوزه ها در یک بوته متغیر بوده و ممکن است از ۱۵ تا ۱۵۰ عدد در یک گیاه باشد. در هر غوزه ۲۰ تا ۱۰۰ دانه تشکیل می شود. دانه های این گیاه از نظر ظاهری خیلی شبیه به بذور کوچک آفتاب گردان هستند و رنگ آنها سفید یا کرم رنگ است. وزن هر دانه گلرنگ از ۲۹ تا ۵۰ گرم متغیر است (Jensen et al., 2005)..
شکل۱-۱- مرحله روزت(سمت راست) و مرحله ساقهدهی(سمت چپ) گلرنگ
شکل۱-۲- طبقه بندی گیاهشناسی گلرنگ
۱-۱-۲- سازگاری
گلرنگ گیاهی روز بلند است، اما گلدهی آن درهوای گرم به میزان قابل توجهی جلو می افتد. گیاهچه های جوان به سرما مقاومند. اما گیاه با انتقال از مرحله رویشی به مرحله زایشی به سرما حساس میگردد. گلرنگ به گرما نیز مقاوم است و درصورت وجود رطوبت کافی درخاک میتواند ماکزیمم حرارتهای حدود ۴۰ درجه سانتیگراد را تحمل کند. به هوای مرطوب بخصوص در دوران گلدهی چندان مناسب نیست. زیادی رطوبت هوا در این دوره گلدهی موجب توسعه بیماری ها و افت عملکرد می گردد. گلرنگ با داشتن ریشه عمیق و توسعه یافته به خشکی مقاوم است. اما مقاومت آن به خشکی از جو کمتر می باشد. گلرنگ به آب ایستادگی و کمبود تهویه نیزحساس است. گلرنگ خاک های عمیق، دارای بافت متوسط و اسیدیتیه حدود خنثی را ترجیح می دهد(Chang and Sung, 1990).
۱-۱-۳- تناوب زراعی
گلرنگ به بیماریهای خاکزی حساس بوده و نبایستی بیش از یکبار طی چهارسال متوالی در یک قطعه زمین کاشته شود و یا با گیاهان حساس به بیماری بوته میری جالیز در تناوب قرار گیرد. (Chang and Sung, 1990).
مثالهایی از تناوب گلرنگ در کشت بهاره آبی بصورت زیر است:
شبدر ـ ذرت ـ گلرنگ ـ گندم
یونجه ـ سیب زمینی ـ حبوبات ـ گلرنگ ـ جو
۱-۱-۴- کود شیمیایی
تولید هر تن دانه گلرنگ موجب خروج ۲۵ تا ۳۰ کیلو ازت ، ۷ تا ۱۲ کیلو اکسید فسفر (P2O5) و ۱۰ تا ۱۵ کیلو اکسید پتاسیم (K2O) از خاک می گردد. میزان کود مصرفی در کشت آبی معمولاً ۵۰ الی ۹۰ کیلوگرم درهکتار ازت خالص و۴۰ تا۷۰ کیلوگرم درهکتار اکسیدفسفر می باشد(Chang and Sung, 1990).
۱-۱-۵- تاریخ کاشت
هنگامی که حرارت خاک در عمق کاشت در حدود ۵ درجه سانتیگراد باشد، گلرنگ طی دو هفته یا کمی بیشتر سبز می شود.گلرنگ بصورت یک محصول پائیزه کشت می شود، تاریخ کاشت آن همزمان یا کمی دیرتر از گندم و جو می باشد(Chang and Sung, 1990) .
۱-۱-۶- کنترل علف های هرز
کنترل علف های هرز قبل از کاشت و نیز تهیه بستر عاری از علف هرز ضرورت دارد. از علف کش هایی مانند اپتام۱ و تریفلورالین۲ بصورت قبل از کاشت و از طریق اختلات آنها با خاک تا عمق ۱۰ سانتی متر می توان استفاده و محصول را برای حدود ۲ تا ۳ ماه بعد از سبز شدن در مقابل بسیاری علف های هرز محافظت نمود. برای کولتیواتورزدن می بایستی روزهای آفتابی را انتخاب کرد تا علف های هرزی که ریشه کن شده است امکان استقرار مجدد پیدا ننماید . پس از سبز شدن بوته ها بهتر است فقط بین ردیف ها را کولتیواتور زد، هر چند که در صورت تراکم زیاد بوته می توان تا قبل از رشد ساقه ها نیز روی ردیف های کاشت را با وسایل سبک و بطور سطحی کولتیواتور زد(Chang and Sung, 1990).
۱-۱-۷- آفات و امراض
مگس گلرنگ (helianthi (Acanthiophilus در تمام نقاطی از ایران که گلرنگ کاشته می شود یافته شده و خسارت قابل توجهی به این محصول وارد می سازد. خسارت آفت مربوط به لارو آن است که ابتدا از قسمتهای نرم برگ می خورد و بعد به دانه حمله کرده و محتویات دانه را از بین می برد. در نتیجه خسارت لارو ، حفرههایی به طول۱ تا ۵/۱ سانتیمتر در طبق بوجود میآید. استفاده ازسمومی مثل دیپترکس۳ و دیازینون۴ و سمپاشی در زمان ظهور مگس ها می تواند در کنترل آن موثر باشد. حشرات دیگری نیز به گلرنگ خسارت وارد می سازد که عبارتند از سنگ تخم گلرنگ ، پروانه طبق خوار گلرنگ ، پروانه کارادرینا و کرم برگخوار پنبه. این آفات اهمیت اقتصادی کمتری نسبت به مگس گلرنگ در ایران دارند (Khan, 1993).
از بیماری های مهم گلرنگ در ایران می توان زنگ گلرنگ و بوته میری گلرنگ را نام برد.عامل بیماری زنگ گلرنگ قارچی است به نام Puccinia carthami که ازطریق خاک، بقایای گیاهی و دانه انتقال می یابد برگهای گیاه مبتلا به زنگ زرد شده و بالاخره گیاه خشک شده و می میرد، کنترل بیماری با استفاده از ارقام مقاوم ، کاشت بذر سالم و غیر آلوده ، ضد عفونی بذر با سموم قارچ کش قبل از کاشت ، سوزانیدن بقایای گیاهی آلوده و تناوب زراعی انجام پذیر می باشد. بیماری بوته میری گلرنگ نیز در تمام مناطق گلرنگ کاری مشاهده میشود و کم و بیش خسارت وارد میسازد عامل بیماری قارچی است به نام Phytophthora drechsleri که بوسیله خاک و بقایای گیاهی آلوده، رعایت تناوب زراعی و عدم کاشت گیاهان حساس در تناوب امکان پذیر است. بیماری بوته میری گلرنگ با بوته میری جالیز مشترک است (Khan, 1993).
۱-۱-۸- برداشت
برداشت گلرنگ را می بایستی بلافاصله پس از خشک شدن و قهوه ای شدن برگها و نیز خشک شدن و سخت شدن دانههای وسط طبق انجام داد. با اینکه ریزش خودبخودی دانه کم است و خوابیدگی اتفاق نمیافتد ولی خشک شدن بیش از حد بوته ممکن است موجب ریزش دانه درموقع برداشت گردد(Khan, 1993).
۱-۱-۹- موارد استفاده
دانه گلرنگ دارای ۲۵ الی ۴۵ درصد روغن ۱۲ تا ۲۴ درصد پروتئین و ۳۵ الی ۶۰ درصد پوسته می باشد . روغن گلرنگ در طباخی، تهیه صابون، رنگ، ورنیس و مواد پوشاننده مشابه مصرف می شود. کنجاله گلرنگ حدود ۲۳ درصد پروتئین و ۳۵ درصد فیبردارد و بعنوان نیمه مکمل پروتئین در تغذیه دام و طیور مورد استفاده قرار می گیرد(Khan, 1993).
۱-۱-تنش های محیطی
رشد و عملکرد گیاهان زراعی تابعی از عوامل ژنتیکی، محیطی و اثرات متقابل آنها می باشد. عوامل متعدد محیطی مانند عوامل آب و هوایی ( بارندگی ، دما ، رطوبت ، نور و باد)، عوامل غیر اقلیمی ( مواد غذایی، گازها، آفات، بیماریها و رقابت با علف های هرز) و فاکتورهای مدیریت زراعی و میزان نهاده های کشاورزی در کاهش یا افزایش رشد و نمو گیاه نقش دارند. تنش نتیجه روند غیر عادی فرایند های فیزیولوژیک است که از تاثیر یک یا ترکیبی از عوامل زیستی و محیطی حاصل می شود. در حقیقت ، مقدار یا شدت نامتناسب عوامل فوق است که بطور بالقوه برای موجود زنده مشکل ساز است و باعث تنش و بروز آسیب های غیر مستقیم در گیاه یا اجزای آن می شود (باقری‌ و همکاران ۱۳۶۷) . به عوامل محدود کننده در اصطلاح تنش های محیطی گفته می شود . تنش ها به دو دسته تنش های زیستی و غیر زیستی تقسیم می شوند. گزارش های متعددی وجود دارد که بیانگر کاهش رشد ، عملکرد و حتی مرگ بخشی یا تمام گیاه در نتیجه انحراف از شرایط مساعد و قرار گرفتن در شرایط تنش می باشند. خسارت تنش های کمبود آب، شوری و دما به گیاهان زراعی در سطح جهان در مقایسه با سایر تنش ها گسترده تر است و تنش شوری و

معادله، fz,j برای تمام کلمات کلیدی kz که در متن dj ظاهرشدهاست، محاسبه شده و ماکزیموم آنها انتخاب میشود.
مشکل این روش این است که بعضی از کلمات کلیدی در اسناد زیادی تکرار میشوند و در نتیجه برای تشخیصدادن اسناد مناسب از اسناد غیر مناسب مفید نیستند. به همین دلیل اغلب از معیار معکوس فراوانی سند(IDFi) نیز در ترکیب با معیار فراوانی واژه(TFi,j) استفاده میشود. معکوس فراوانی سند برای کلمه کلیدی ki معمولا به صورت زیر محاسبه میشود:
(۴-۳)
سپس وزن TF-IDF برای کلمه کلیدی ki در متن dj به صورت زیر محاسبه میشود:
(۴-۴)
به این ترتیب محتوای سند dj، که پروفایل آن نیز نامیده میشود به صورت زیر تعریف میشود:
(۴-۵)
همانطور که قبلا توضیح دادهشد، سیستمهای پیشنهاددهنده مبتنی بر محتوا اقلامی مشابه با آنچه که کاربر قبلاً پسندیدهاست به کاربر پیشنهاد میدهند. از همینرو کالاهای کاندید مختلف با کالایی که قبلا توسط کاربر امتیازگذاری شدهاست، مقایسه میشوند و شبیهترین آنها با کالای مورد اشاره پیشنهاد دادهمیشود. توضیح رسمیتر این مساله به این صورت است: فرض کنید پروفایل کاربر c که شامل علایق و ترجیحات وی میباشد با نام ContentBasedProfile(c) نمایش دادهشود. این پروفایل با کمک تحلیل محتوای اقلامی که قبلا کاربر آنها را مشاهده کرده و امتیازگذاری نمودهاست، به دست میآید و معمولا با استفاده از تکنیکهای تحلیل کلمات کلیدی که در بازیابی اطلاعات استفاده میشوند، بدست میآید. مثلاً، ContentBasedProfile(c) را میتوان به شکل برداری از وزنها (wc1, wc2, …, wck) نمایشداد که هر وزن wci نشاندهنده میزان اهمیت کلمه کلیدیk برای کاربرc است. روشهای گوناگونی برای محاسبه این وزنها وجوددارد که برای اطلاعات بیشتر در این زمینه به [۷] مراجعه شود.
در سیستمهای مبتنی بر محتوا، تابع سودمندی u(c, s)، معمولا به صورت زیر تعریف میشود:
(۴-۶)
هم پروفایل کاربر c و هم پروفایل سندs را میتوان با استفاده از بردارهای وزن TF-IDF کلمات کلیدی، و نمایشداد. تابع سودمندی در روشهای بازیابی اطلاعات، از یک فرمول اکتشافی مانند معیار کسینوسی درجه شباهت استفاده میکند:[۴۹,۵۰]
(۴-۷)
که در این معادله، k نشاندهنده تعداد کل کلمات کلیدی در سیستم میباشد.
۴-۲-۱-۱ مشکلات و محدودیتهای روشهای مبتنی بر محتوا
روشهای مبتنی بر محتوا با محدودیتهای زیادی روبرو هستند که در ادامه به آنها پرداخته میشود.
* قابلیت محدود در تحلیل محتوا۹۶
تکنیک مبتنی بر محتوا براساس مجموعه خصوصیات اقلام که در سیستم تعریفشدهاند، عمل پیشبینی را انجام میدهد. بنابراین به منظور داشتن یک مجموعه کافی و مناسب از خصوصیات، سیستم یا باید بتواند بهطور اتوماتیک اقلام را تحلیلکرده و خصوصیات آنها را کشف کند و یا اینکه خصوصیات اقلام بهطور کامل بهصورت دستی وارد شدهباشند. تکنیکهای بازیابی اطلاعات تا زمانی که اقلام بهصورت متنی باشند به خوبی میتوانند خصوصیات را استخراج کنند، اما بیشتر اقلام به شکل ذاتی با مساله استخراج اتوماتیک خصوصیات مشکل دارند. بهعنوان مثال در مورد دادههای مالتیمدیا مانند عکسهای گرافیکی، دادههای صوتی و دادههای ویدوئی، استخراج اتوماتیک خصوصیات به سختی ممکن است و علاوهبر این، اغلب امکانپذیر نیست که خصوصیات را بهصورت دستی وارد کنیم[۵۱].
مشکل دیگر قابلیت محدود در تحلیل محتوا این است که اگر دو قلم کالای متفاوت با یک مجموعه مشابه از خصوصیات نمایش دادهشوند، سیستم نمیتواند تفاوتی بین آنها قائلشود. مثلاً مقالات معمولاً توسط مجموعهای از کلمات کلیدی نمایش داده میشوند. اگر دو مقاله دارای کلمات کلیدی یکسانی باشند، اما یکی از آنها خوب و دیگری بد باشد، سیستم مبتنی بر محتوا نمیتواند تفاوت بین آنها را تشخیصدهد[۵۱].
* اختصاصی کردن بیش از اندازه۹۷
در روشهای مبتنی بر محتوا، سیستم فقط اقلامی مشابه با آنچه که کاربر قبلاً امتیازگذاری کردهاست پیشنهاد میکند که نتیجه آن تشابه اقلام پیشنهادشده به یکدیگر است. در حالی که تحقیقات نشان دادهاست که سیستمهای پیشنهاددهنده در صورتی مفیدتر واقع میشوند که بتوانند اقلام غیر قابل انتظار و البته مورد نیاز، پیشنهاد دهند. برای مثال، شخصی را در نظر بگیرید که هرگز غذای یونانی نخوردهباشد، چون در پروفایل این شخص هیچ سابقهای درباره غذای یونانی وجودندارد پس سیستم هیچ رستوران یونانی به این شخص پیشنهاد نمیدهد هر چند در آن شهر رستورانهای یونانی فراوانی وجود داشتهباشد. برای رفع این مشکل از روشهایی چون الگوریتم ژنتیک بهمنظور تزریق فرمی از تنوع در مجموعه پیشنهاد میتوان استفادهنمود[۵۲].
مشکل دیگر در رابطه با اختصاصی کردن بیش از اندازه این است که در روشهای مبتنی بر محتوا، علاوهبر اقلامی که کاربر قبلا مشابه آنها را ندیدهاست، اقلامی که بسیار شبیه به پروفایل کاربر میباشند نیز امکان انتخابشدن نخواهند داشت ، مانند دو خبر متفاوت از یک موضوع مشابه. البته این خصوصیت بعضی مواقع هم مفید است مثلا لازم نیست به کاربری که یک فیلم از یک کارگردان خاص را دیده و به آن امتیاز بالایی دادهاست، همه فیلمهای آن کارگردان پیشنهاد دادهشود.
* مساله کاربر جدید۹۸
سیستمهای مبتنی بر محتوا فقط زمانی میتواند به کاربر پیشنهادات قابل اعتماد بدهد که کاربر از قبل و به دفعات کافی اقلامی را امتیازگذاری کردهباشد و نتیجه سیستم قادر باشد علایق کاربر را تشخیص دهد. بنابراین سیستم برای کاربران جدید، که تعداد امتیازات دادهشده توسط آنها به اندازه کافی نیست، قادر نیست پیشنهادات درستی بدهد.
۴-۲-۲ روشهای فیلترسازی مشارکتی
فیلترسازی مشارکتی از معروفترین روشهای پیادهسازی سیستمهای پیشنهاددهنده است. اولین سیستم طراحیشده با این تکنیک در سال ۱۹۷۹ برای پیشنهاد کتاب به وجود آمدهبود[۵۳]. این تکنیک برای اولین بار توسط گلدبرگ به عنوان جایگزینی برای روشهای مبتنی بر محتوا مطرحشد[۵۴]. در این گروه از روشها، عمل پیشنهاددهی با استفاده از یافتن اقلامی انجام میگیرد که مورد علاقه کاربران با سلایق مشابه کاربر بودهاند. کاربران با سلایق مشابه یا کاربران همسان۹۹ یعنی کاربرانی که اقلام یکسانی را امتیازدهی مشابه کرده باشند. بهعبارت دیگر u (c, s) بر اساس مقادیر موجودu(cj ,s) بدست میآید که cj کاربران مشابه با c میباشند. مثلاً در یک سیستم پیشنهاددهنده فیلم، سیستم ابتدا به شناسایی کاربران مشابه با کاربر c میپردازد. کاربران مشابه یا همسان یعنی کاربرانی که علایق یکسانی در مشاهده فیلمها با کاربر c دارند (فیلمهای یکسانی را امتیازدهی مشابه کردهاند). پس از آن فقط فیلمهایی که مورد علاقه همسانان c هستند، یعنی توسط آنها امتیازدهی بالایی شدهاند، به کاربرc پیشنهاد داده میشوند. درواقع، فرضی که توسط سیستمهای فیلترسازی مشارکتی در نظر گرفته میشود، این است که علاقه آینده کاربران، مشابه سلیقه و علایق گذشته آنهاست.
الگوریتمهای فیلترسازی مشارکتی نیز به دو دسته کلی مبتنی بر حافظه (مبتنی بر اکتشاف۱۰۰) و مبتنی بر مدل تقسیم میشوند.
الگوریتمهای مبتنی بر حافظه، به کمک فرمولهای اکتشافی، پیشبینی امتیازات را با استفاده از مجموعه تمام امتیازات قبلی که از طرف کلیه کاربران به اقلام داده شدهاند، محاسبه میکنند. بهاین صورت که معمولاً امتیاز کاربر c به محصول s، rc,s، بهصورت تجمعی۱۰۱ از امتیازات بقیه کاربران ( اغلب N تا از شبیهترین کاربران به c) به محصول s محاسبه میشود:
(۴-۸)
که در این فرمول، مجموعه N تا از شبیهترین کاربران به c میباشد که به s امتیاز دادهاند (N میتواند از ۱ تا تعداد کل کاربران تغییر کند). بعضی از نمونههای تابع تجمعی بهصورت زیر هستند:
(۴-۹)
(a)
(b)
(c)
که ضریب K نقش یک فاکتور نرمالکننده را ایفا میکند و بهصورت محاسبه میشود. همچنین متوسط امتیاز مربوط به کاربر c، در رابطه (۹c) به شکل زیر تعریف میشود:
(۴-۱۰)
که در این رابطه میباشد.
در سادهترین حالت ، همانطور که در (۴-۹a) تعریفشدهاست، تابع تجمع میتواند یک عملیات میانگیری ساده باشد. با این وجود، معمولترین شکل تابع تجمع، استفاده از جمع وزندار است که در (۴-۹b) مشاهده میشود. معیار شباهت میان دو کاربر و ، ، یک معیار فاصلهای است و بهصورت یک ضریب وزنی کاربرد دارد، به این معنی که هرچه شباهت میان و ، بیشتر باشد، امتیاز کاربر به محصول s، نقش بیشتری در پیشبینی امتیاز خواهدداشت. کاربرانی که شباهت بیشتری به یکدیگر دارند، کاربران همسان۱۰۲ یا کاربران همسایه۱۰۳ نامیده میشوند. درصورتیکه کاربران از مقیاسهای متفاوتی در تعیین امتیاز اقلام استفاده کردهباشند، به جای(۴-۹b) باید از (۴-۹c) استفاده کرد. در این رابطه، به جای استفاده از امتیازات واقعی، از میزان انحراف از مقدار میانگین امتیازات استفاده میشود.
روشهای زیادی برای محاسبه میزان شباهت بین کاربران، ، وجوددارد که در اغلب آنها، محاسبه این درجه شباهت بر اساس امتیازات دادهشده به مجموعه اقلامی که مشترکاً توسط هر دو کاربر امتیازدهی شدهاند، انجام میپذیرد. دو تا از معروفترین و پرکاربردترین روشها عبارتند از مبتنی بر همبستگی۱۰۴ و مبتنی بر کسینوس۱۰۵. برای معرفی این دو روش، Sxy را مجموعه اقلامی در نظر میگیریم که توسط هر دو کاربر x و y امتیازدهی شدهاند. یعنی . برای بدست آوردن این مجموعه از روش اشتراکگیری بین مجموعههای Sx و Sy استفاده میشود. با این وجود، درصورت استفاده از بعضی از روشها مثل روش تئوری گرافها در فیلترسازی مشارکتی، پیداکردن همسانان x بدون نیاز به محاسبه Sxy برای کلیه کاربران y انجام میشود. در روش مبتنی بر همبستگی، برای اندازهگیری میزان شباهت از ضریب همبستگی پیرسون۱۰۶ استفاده میشود[۵۵],[۵۱]:
(۴-۱۱)
در روش مبتنی بر کسینوس، دو کاربر x و y بهعنوان دو بردار در یک فضای m بعدی(m=|Sxy|) در نظر گرفتهشده و میزان شباهت بین آنها از طریق محاسبه کسینوس زاویه میان دو بردار بدست میآید[۵۶],[۵۷]:
(۴-۱۲)
که در این رابطه، ، ضرب نقطهای میان بردارهای و است.
همانطور که توضیحدادهشد، استفاده از معیار کسینوسی درجه شباهت که از روشهای بازیابی اطلاعات بهشمار میآید، هم در الگوریتمهای مبتنی بر محتوا و هم در الگوریتمهای فیلترسازی مشارکتی بهکار برده میشوند. البته در سیستمهای پیشنهاددهنده مبتنی بر محتوا از این معیار برای محاسبه میزان تشابه بین بردارهای وزنTF-IDF استفاده میشود، درصورتیکه در سیستمهای فیلترسازی مشارکتی، برای بدست آوردن میزان شباهت میان بردارهای امتیازات کاربری است.
بهمنظور بهبود کیفی پیشنهاددهی، روشهای مبتنیبرهمبستگی و

دیگر از شاخههای علوم کامپیوتری موردتوجه قرارگرفتهاند.
در این فصل مروری بر تعاریف موجود از زمینه ارائهشد. تعاریف به دو دسته کلی تعاریف پارامتریک و تعاریف کلی تقسیم شدند. تعاریف پارامتریک، تعاریفی هستند که زمینه را بهصورت مجموعهای از پارامترها ارائه میکنند و بررسی آنها و آشنایی با آنها در جهت شناخت و بهکارگیری صحیح مفهوم زمینه، کاربرد دارد. در میان تعاریف کلی ارائهشده برای زمینه و تعاریفی که برای آگاهی از زمینه ارائه شدهاند، در این تحقیق از تعاریف ارائهشده توسط دِی و اِیبود[۲۸] استفاده شدهاست، زیرا این تعریف یکی از کاملترین و پراستنادترین تعاریف در این حوزه بوده است که توسط تحقیقات زیادی مورد استناد قرار گرفتهاست. در ادامه مهمترین دستهبندیهای موجود از تعاریف زمینه ارائهشدند. سپس مفهوم آگاهی از زمینه تعریفشده و در پایان موضوع طراحی زمینه تشریحشد.
فصل چهارم: سیستمهای پیشنهاددهنده
۴-۱ مقدمه
از جمله روشهای فیلتر کردن اطلاعات، استفاده از شخصیسازی۸۰ است. هدف شخصیسازی، ارائه اطلاعات مورد نیاز کاربر بدون پرسش صریح از اوست. تکنیکهای هوشمند از اطلاعات در مورد کاربر وب استفاده میکنند تا بتوانند علایق شخصیشده را تحویل دهند. سیستمهای پیشنهاددهنده۸۱ نوع خاصی از سیستمهای شخصیسازی اطلاعات هستند که اقلام را بر اساس میزان جذابیت آنها برای کاربران، از یک مجموعه بزرگ از اقلام و کاربران فیلتر میکنند. موضوع سیستمهای پیشنهاددهنده از اواسط سالهای ۱۹۹۰ و همزمان با پیدایش اولین مقالات در زمینه فیلترسازی مشارکتی۸۲ به یکی از زمینههای تحقیقاتی مهم و موردتوجه در تجارت الکترونیک تبدیل شد و از آن زمان بهبعد کارهای زیادی هم در صنعت و هم در مراکز علمی در جهت ایجاد و توسعه روشهای جدید پیشنهاددهی انجامگرفتهاست. توجه به این عرصه درحال حاضر نیز بهدلیل وجود مسائل حلنشده بسیار، به عنوان یک زمینه تحقیقاتی همچنان وجوددارد و هنوزهم به روشهای پیشنهاددهی کاراتر و مطابق با محدوده وسیعتری از کاربردها نیاز است.
عملکرد این سیستمها بهعنوان بهعنوان شاخه تحقیقاتی مستقلی که مبتنی بر یک ساختار امتیازگذاری۸۳ است، مطرح میباشد. معمولترین شکل مساله پیشنهاددهی، حالت محدودشدهای از آن است که شامل تخمین امتیاز اقلامی میباشد که توسط کاربر مشاهده نشدهاند. پس از برآورد و تخمین امتیازات تعییننشده، اقلام با بالاترین امتیاز تخمینی به کاربر توصیه میشوند. عملیات تخمین امتیازات برپایه وجود اطلاعاتی انجام میشود که در ادامه به آن پرداخته خواهدشد[۷].
در این فصل، ابتدا به عملکرد سیستمهای پیشنهاددهنده پرداخته شده و دستهبندیهای موجود ارائه میشود. پس از آن روشها و شاخصهای ارزیابی این سیستمها ارئهشده و در پایان به روشهای بسط قابلیتهای سیستمهای پیشنهاددهنده پرداخته خواهدشد.
۴-۲ بررسی عملکرد سیستمهای پیشنهاددهنده
عملکرد سیستمهای پیشنهاددهنده معرفی منابع مورد نیاز کاربران به آنهاست. این منابع میتوانند مواردی مانند اطلاعات خاص مورد نیاز کاربر و یا کالاهایی مانند کتاب یا فیلم مورد علاقه یک کاربر را از میان انبوه کالاهایی که کاربر با اطلاعات آنها روبروست، دربرگیرند[۷,۸,۹]. درسیستمهای پیشنهاددهنده، سه مجموعه داده اصلی یعنی مجموعه کاربران (C)، مجموعه اقلام قابل توصیه (S) (مانند کتاب، فیلم، موسیقی و غیره) و مجموعه دادههایی که رابطه میان دو مجموعه قبلی را تعریف میکنند، وجوددارند. مجموعهS میتواند شامل صدها، هزارها و حتی میلیونها کالا در کاربردهای مختلف بوده و بهطور مشابه مجموعه C نیز میتواند چنین وضعیتی را داشته باشد. ارتباط میان دو مجموعهC و S مبتنی بر ساختار امتیازگذاری است که میزان مفید بودن یا مورد علاقه بودن کالا را برای کاربر مشخص می کند. این ارتباط با تابعی تحتعنوان تابع سودمندی، u، به صورت رابطه (۴-۱) تعریف میشود.[۷]
(۴-۲)
که در آن Ratings، مجموعه مرتبی مانند اعداد صحیح غیرمنفی یا مجموعه اعداد حقیقی در بازهای معین میباشد.
درواقع برای هر کاربر ، مایل به انتخاب اقلام هستیم که تابع سودمندی برای کاربر را حداکثر میسازد. درسیستمهای توصیهکننده، میزان سودمندی یک قلم کالا معمولاً توسط امتیازی مشخص میشود که میزان علاقهمندی کاربری خاص را به کالایی خاص مشخص میکند. بهعنوان مثال، جان به فیلم هری پاتر، امتیاز ۷ ( از ۱۰) میدهد.
هر کاربر بهصورت مجموعهای از خصوصیات (مانند شناسه، سن، جنسیت، میزان درآمد و غیره) که پروفایل کاربر نامیده میشود، مشخص میشوند. بهطور مشابه، اقلام نیز از مجموعهای از خصوصیات، پروفایل اقلام، تشکیل شدهاند. مثلاً در مورد یک سیستم پیشنهاددهنده برای فیلم، این خصوصیات عبارتخواهندبود از شناسه، عنوان، ژانر، کارگردان، بازیگران اصلی وغیره.
در سیستمهای پیشنهاددهنده مقادیر u معمولاً فقط بر روی زیر مجموعهای از دامنه C×S تعریفشدهاست و نه بر تمام آن و قسمت های نامشخص این دامنه را باید با استفاده از دادههای موجود بهصورت تخمینی مشخص نمود. دامنه ذکرشده را میتوان بهصورت یک ماتریس کاربر- اقلام در نظر گرفت که هر ستون آن به یک قلم کالا و هر سطر آن به یک کاربر اختصاص داده میشود. میزان علاقهمندی یک کاربر به محصولی خاص در یک سلول این ماتریس ذخیره میشود و در خانههای نامشخص آن مقدار تهی (-) قرار گرفتهاست. کار سیستم پیشنهاددهنده تخمین این امتیازات نامشخص و اعمال توصیههای مناسب براساس برآوردهای بهعملآمدهاست. بهعنوان مثال ، نمونهای از یک ماتریس کاربر- اقلام برای یک سیستم پیشنهاددهنده فیلم که امتیازات در بازه ۱ تا ۵ قرار دارند را در جدول ۴-۱ ملاحظه میکنید.
جدول ۴-۱: نمونهای از ماتریس کاربر- اقلام برای یک سیستم پیشنهاددهنده فیلم[۷]
البته همانطور که قبلا هم اشاره شد، مجموعهS میتواند شامل صدها، هزارها و حتی میلیونها کالا در کاربردهای مختلف بوده و بهطور مشابه مجموعه C نیز میتواند چنین وضعیتی را داشته باشد. در حالت کلی، حجم این ماتریس n×m میباشد که n تعداد کاربران و m تعداد محصولات است. عملیات تخمین به شیوههای مختلفی چون استفاده از روشهای یادگیری ماشین، استفاده از تئوری تقریب۸۴ و یا فرمولهای مکاشفهای۸۵ قابل انجام است.
هدف نهایی سیستمهای توصیهکننده با ارائه پیشنهاد N قلم کالا با بالاترین امتیازات تخمینی به کاربران محقق میشود بهطوریکه برای هر کاربر ، اقلام با حداکثر میزان سودمندی انتخاب و معرفی میگردد[۷]. در مواردی عملیات پیشنهاد، مجموعهای از کاربران را با در نظر گرفتن حداکثر میزان سودمندی به یک قلم کالا مرتبط میکند.
تا به امروز روشهای پیشنهاددهی زیادی ارائه شدهاست که این روشها و متدولوژیها در سه دستهبندی اصلی روشهای مبتنی بر محتوا، فیلترسازی مشارکتی و روشهای ترکیبی۸۶ قرار میگیرند[۷,۹]. در ادامه به هر کدام از این روشها در قالب یک بخش پرداخته میشود. در نگاهی دیگر روشهای پیشنهادهی، اعم از مبتنی بر محتوا، فیلترسازی مشارکتی و روشهای ترکیبی به دو دسته روشهای مبتنی بر حافظه و مبتنی بر مدل تقسیم میشوند. درمقایسه با الگوریتمهای مبتنی بر حافظه، الگوریتمهای مبتنی بر مدل، با استفاده از روشهای یادگیری ماشین مدلی را با استفاده از مجموعه امتیازات موجود ایجاد کرده و از آن بهمنظور پیشگویی امتیازات استفاده میکنند[۷,۱۱].
۴-۲-۱ روشهای مبتنی بر محتوا
در این گروه از روشها، عمل پیشنهاددهی با استفاده از یافتن اقلامی انجام میگیرد که بیشترین تشابه را با اقلامی داشته باشند که درگذشته موردعلاقه کاربر بودهاند. به عبارت دیگر u(c,s)، سودمندی کالای s برای کاربر c، بر اساس کلیه مقادیر موجود u(c,si) هایی که si مشابه به s بوده و si جزء کالاهای مورد علاقه کاربر هستند، برآورد میشود.
بهعنوان مثال در یک سیستم پیشنهاددهنده فیلم، یک روش مبتنیبرمحتوا، ابتدا سعی میکند کلیه مشترکات میان فیلمهایی که کاربر c در گذشته به آنها امتیاز بالایی دادهاست (هنرپیشگان اصلی، کارگردانها، ژانرهای سینمایی، موضوعیت فیلم و غیره) را شناسایی کند. سپس بر اساس مشترکات بدست آمده تنها فیلمهایی را به کاربران توصیه میکند که شباهت زیادی دارند به آنچه که در گذشته مورد علاقه کاربر بوده است.
ریشههای این روش به شاخههایی چون بازیابی اطلاعات۸۷ و فیلترسازی اطلاعات۸۸ بازمیگردد. بههمین دلیل و همچنین به دلیل اهمیت بسیاری از کاربردهای متنی۸۹ موجود، در حال حاضر بسیاری از سیستمهای پیشنهاددهنده مبتنی بر محتوا، بهمنظور توصیه اقلام دارای اطلاعات متنی مانند متون و اسناد، صفحات وب و آدرس آنها و همچنین پیامهای خبری یوزنتها، یعنی بهطور کلی سیستمهایی که میتوان در آنها خصوصیات اقلام را با مجموعهای از کلمات کلیدی۹۰ مشخصکرد، استفاده میشوند.
مهمترین مساله در این حوزه، ارائه الگوریتمی مناسب برای تعیین میزان تشابه بین اقلام است. این الگوریتمها در دو دسته مبتنی بر حافظه و مبتنی برمدل، قرار میگیرند. روشهای مبتنی بر حافظه، فرمولهای مکاشفهای بوده و از متدهای سنتی بازیابی اطلاعات استفاده میکنند. یکی از مهمترین این روشها معیار کسینوسی درجه شباهت است. روشهای مبتنی بر مدل، مدلی را با استفاده از مجموعه داده موجود ایجاد کرده و بر اساس آن پیشبینیهای لازم را انجام میدهد. ایجاد مدل با استفاده از روشهای یادگیری آماری۹۱ مانند کلاسبندی بیزین۹۲ و یا تکنیکهای یادگیری ماشین چون خوشهبندی۹۳، درخت تصمیمگیری و شبکههای عصبی انجام میشود. تفاوت این تکنیکها با روشهای مبتنیبر حافظه، در روش بازیابی اطلاعات و یا محاسبه تابع سودمندیاست. نمونهای از این روشها درمنابعی چون [۴۷,۴۸] ارائهشدهاست.
در ادامه و بهعنوان نمونه به توضیح روش معیار کسینوسی درجه شباهت پرداختهشدهاست. همانطور که قبلا اشارهشد، در روشهای مبتنی بر محتوا، خصوصیات اقلام با مجموعهای از کلمات کلیدی مشخص میشود. میزان اهمیت یک کلمه کلیدی مانند ki در یک سند dj با یک مقدار وزندار، wi,j، نمایشداده میشود که این وزن را به روشهای مختلفی میتوان تعریفکرد. یکی از بهترین روشهای اندازهگیری وزن کلمات کلیدی در بازیابی اطلاعات، معیار TF-IDF ( فراوانی واژه۹۴ تقسیم بر معکوس فراوانی سند۹۵)میباشد. این معیار به این صورت تعریف میشود: در نظر بگیرید که تعداد کل سندهای قابل پیشنهاد به کاربر، N باشد و کلمه کلیدی kj در ni تا از این سندها وجود داشته باشد. همچنین فرض کنید که fi,j تعداد دفعات تکرار کلمه کلیدی ki در سند dj است. در اینصورت، TFi,j، فراوانی (یا فراوانی نرمال) واژه کلیدی ki در متن dj است که به صورت زیر تعریف میشود:
(۴-۲)
که در این

استفادهکرد، آنگاه اطلاعات مزبور، جزء زمینه بهشمار میرود. بهعنوان مثال، عمل اضافه کردن لیستی از وزنها در یک صفحه گسترده را درنظر بگیرید. موجودیتهایی که در این مثال وجوددارند عبارتند از کاربر و برنامه کاربردی. حال دو تکه اطلاعاتی “حضور سایر افراد” و “مکان کاربر” را در نظر بگیرید. با استفاده از تعریف ارائهشده، میتوانیم تشخیص دهیم که کدام یک از آنها زمینه هستند. حضور سایر افراد در محیط تاثیری بر روی ارتباط میان کاربر و برنامه کاربردی مزبور ندارد و در نتیجه بهعنوان اطلاعات زمینه شناخته نمیشود. اما از مکان کاربر میتوان بهمنظور توصیف شرایط کاربر استفادهکرد. زیرا اگر کاربر مثلا در کانادا باشد، مجموع وزنها را در واحد کیلوگرم مینویسد ولی اگر در آمریکا قرار بگیرد، آنها را به واحد اونس یا پوند بیان میکند[۲۸].
۳-۳ دستهبندی اطلاعات زمینه
اگرچه ارائه یک تعریف مناسب از زمینه، در راستای استفاده صحیح از این مفهوم در کاربردهای گوناگون سیار ضروری است، اما نیاز به راهکارهای دیگری نیز در کنار آن هست تا بتوان تعاریف مزبور را به سادگی با نمونههای دنیای واقعی تطبیق داد. ارائه تقسیمبندی مشخص از انواع زمینه، یکی از این راهکارهاست که طراحان برنامههای کاربردی را قادر میسازد تا بتوانند اطلاعات مناسب و مفید زمینهای را به روشنی شناسایی کنند[۲۸].
اسمیت و همکاران[۶]، این دستهبندی را بهصورت یک فضای سلسلهمراتبی (شکل ۳-۱) ارائهکردهاند. در بالاترین سطح، پارامترهای زمینه به دو دسته کلی عوامل انسانی۶۸ و محیط فیزیکی۶۹ تقسیم شدهاند. همانطور که در شکل ملاحظه میشود در سطح بعدی، شش زیرگروه از دوگروه اصلی اولیه بیرون آمدهاند تا ساختار کلی زمینه را شکلدهی کنند. سپس به هرکدام از این گروهها مجموعهای از ویژگیها (باز هم به شکل سلسله مراتبی) تخصیص داده میشود که در نهایت با مقداردهی به آنها، زمینه مشخص خواهدشد. موقیعت و محیط، بهصورت کلی با میزان زیادی از مقادیر در طول زمان سروکار داردبه همیندلیل پیشینه و تاریخچه زمینه خود بهعنوان خصوصیتی مهم برای تعیین یک موقیعت ویا محیط بهکارمیرود. سه گروه عوامل انسانی عبارتند از: اطلاعات کاربری (دانش مربوط به عادات، حالت احساسی، شرایط بیوفیزیکی و غیره)، محیط اجتماعی کاربر (اطلاعات مکانی سایر افراد واقع در محیط، تعاملات اجتماعی و گروههای اجتماعی مرتبط به کاربر در محیط و غیره) و فعالیت۷۰های کاربر (کارهای فوری، عملیات محولشده به کاربر، اهداف و غیره). سه گروه محیط فیزیکی عبارتند از: مکان (اطلاعات مکانی به صورت قطعی یا نسبی و اطلاعات مشابه آن)، زیرساخت (مانند منابع محاسباتی و مخابراتی واقع در محیط) و شرایط فیزیکی (مانند صدا و پارازیت، نور، فشار).
شکل ۳-۱ : فضای سلسله مراتبی زمینه[۶]
راین و همکاران[۳۱]، اطلاعات زمینه را به چهار نوع مکان، محیط، هویت و زمان تقسیم میکنند. اسکیلیت و همکاران[۳۷]، جنبههای مهم زمینه را بهصورت سوالهای “در چه مکانی است؟”، “چه کسی همراه اوست؟” و “چه منابعی در محدوده وی قراردارند؟”، مشخص میکنند. در این تحقیق، زمینه همچنین یک محیط اجرایی در حال تغییر، تعریف شدهاست که اجزاء و مولفههای این محیط عبارتند از: محیط محاسباتی (پردازندههای موجود، وسایل ورودی و نمایشی، ظرفیت شبکه، اتصال و هزینه محاسبات)، محیط کاربری (مکان، مجموعه افرادی که در همسایگی کاربر قرار میگیرند و شرایط اجتماعی) و محیط فیزیکی(سطح نور و صدا).
در این قسمت هم یکی از کاملترین تعاریف توسط دِی و اِیبود[۲۸] ارائهشدهاست. آنها عنوان کردهاند که انواع خاصی از اطلاعات زمینه نسبت به بقیه از اهمیت بیشتری برخوردارند. در این تقسیمبندی، یک سیستم ساده دولایهای ارائه میشود. چهار قطعه اولیه اطلاعات زمینه در لایه اول و سایر اطلاعات زمینهای در لایه دوم قرار میگیرند. مکان۷۱، هویت۷۲، زمان۷۳ و فعالیت۷۴، انواع اولیه زمینه نامیده میشوند. فعالیت مشخصکننده این مساله است که در شرایط مذکور، چه اتفاقی در حال رخ دادن است. این انواع اولیه، علاوه بر اینکه به سوالاتی چون “چه کسی است؟”، “چه چیزی است؟”، “چه زمانی است؟” و “چه مکانی است؟” پاسخ میدهند، بهعنوان اندیسهایی به سایر منابع اطلاعاتی زمینهای نیز بهکار میروند. بهعنوان مثال، با داشتن هویت یک فرد ما میتوانیم به اطلاعات مرتبطی چون شماره تلفنها، آدرس ایمیلها، تاریخ تولد، لیست دوستان و ارتباطات وی با سایر افراد در محیط، دسترسی پیداکنیم. با داشتن مکان یک موجودیت، میتوانیم سایر اشیاء و افرادی را که در نزدیکی موجودیت قراردارند و یا فعالیتهایی که در اطراف آن رخ میدهد را شناسایی کنیم. در این مثالها، روشن میشود که از اطلاعات اولیه زمینه یک موجودیت، میتوان برای دسترسی به اطلاعات زمینهای ثانویه همان موجودیت و اطلاعات زمینهای اولیه موجودیتهای دیگر (مانند سایر افراد در همین زمینه)، استفادهکرد. پس دسته دوم همه دارای یک خصوصیت مشترک هستند یعنی همه آنها توسط نوع اول، اندیس شدهاند و بهنوعی ویژگیهای انواع اولیه زمینه بهعنوان چند موجودیت هستند. ممکن است که در شرایطی چندین نوع اطلاعات زمینهای برای اشاره به یک فضای اطلاعاتی ثانویه لازم باشد. بهعنوان مثال، به پیشبینی آبوهوا در نرمافزارهای زیادی چون راهنمای توریستها و برای زمانبندی برنامههای مسافرتی آنها نیازاست. برای دسترسی به وضعیت آبوهوا، به اطلاعات مکان و تاریخ به طور همزمان نیازاست.
پس از ارائه تعریفی از زمینه، نیاز به ساختاری برای استفاده از اطلاعات زمینه وجود دارد. در ادامه به تعریف آگاهی از زمینه و ویژگیهای کاربردهای آگاه از زمینه پرداخته خواهدشد.
۳-۴ آگاهی از زمینه
برای اولین بار و در سال ۱۹۴۴، اسکلیت و تیمر[۲۹] به معرفی و بحث در رابطه با محاسبات آگاه از زمینه پرداختند[۲۸]. در تعریف آنها، یک نرمافزار آگاه از زمینه، نرمافزاری است که با توجه به مکان استفاده، مجموعه افراد و اشیائی که در مجاورت او قرار گرفتهاند و تغییراتی که در طول زمان برای اشیاء مذکور اتفاق میافتد، خود را مطابقت میدهد. با وجود این، همه بر این قضیه اتفاق نظردارند که اولین تحقیقات در رابطه با محاسبات آگاهی از زمینه، کاری است که در سال ۱۹۹۲ و توسط وانت و همکارانش[۴۰] انجامگرفتهاست[۲۸]. از آن زمان تا به حال، تلاشهای زیادی برای تعریف مفهوم آگاهی از زمینه و بهکارگیری آن در کاربردهای مختلف انجامگرفتهاست. این تعاریف با توجه به نوع استفاده آنها از زمینه در کاربردهای گوناگون، متفاوت بودهاست.
دو تفسیر کلی از مفهوم آگاهی از زمینه وجوددارد:[۲۸,۴۱]
– تشخیص۷۵ زمینه
در بعضی از کارهای انجامشده در این حوزه، مفهوم آگاهی از زمینه به کسب و بهدست آوردن اطلاعات زمینه در قالب چند پارامتر و ارائه این اطلاعات به کاربر، محدود شدهاست[۲۸,۴۱].
– تطبیق۷۶ با زمینه
کاربردهایی که پس از دسترسی به زمینه، به آن عکسالعمل نشان میدهند و خدمات خود را با تغییرات زمینه تطبیق میدهند. نوع تطبیق نیز به چهار دسته مختلف تقسیم میشود: تطبیق نحوه تعامل (مثل تغییر در نحوه نمایش و ظاهر واسط کاربری برای وفقپذیری با شرایط بهوجودآمده)، تطبیق خدمات (ارائه خدمات شخصیسازیشده به کاربر متناسب با مکان، فعالیت و سایر پارامترهای زمینه، مانند پیشنهاد محصولات)، تطبیق محتوا۷۷ (تولید و ارائه محتوای مناسب به کاربر متناسب با مکان، فعالیت و سایر پارامترهای زمینه)، تطبیق محیط (تغییر شرایط محیط، مثل میزان نور، درجه حرارت و صدا با توجه به تشخیص نیاز کاربر) [۴۱]. البته در بعضی از تعاریف، تولید محتوا و ارائه خدمات، در یک گروه قرار میگیرند، زیرا در بسیاری از کاربردها، مرز روشنی بین آنها وجود ندارد[۲۸].
کیون و همکارانش[۳۴]، تشخیص خودکار اطلاعات زمینه و راه افتادن خودکار عملیات پس از آن را، هسته اصلی کاربردهای آگاه از زمینه دانستهاند. پاسکو و همکارانش[۴۲,۴۳,۴۴] و همچنین هول و همکارانش[۴۵]، محاسبات آگاهی از زمینه را بهصورت قابلیت وسایل محاسباتی برای کشف و احساس، تفسیر و پاسخگویی به جنبههایی از محیط محلی کاربر و خود وسایل سیار، تفسیرکردهاند. دی و ایبورد[۲۸]، سیستمی که از زمینه برای تولید اطلاعات/خدمات مرتبط به کاربر بهره میگیرد را آگاه از زمینه مینامند. در این تعریف، مرتبط بودن به فعالیت کاربر بستگی دارد.
۳-۵ طراحی زمینه
برخلاف سیستمهای سنتی که اطلاعات زمینه، هیچ نقش مهمی را در آنها ایفا نمیکند، در سیستمهای آگاه از زمینه، نقش آن در فرایند تحلیل ورودی سیستم و شخصیسازی خروجی بسیار پررنگ است.
در یک معماری سطح بالا از یک سیستم آگاه از زمینه، طراحی زمینه برای یک کاربرد با توجه به دامنه آن کاربرد انجام میشود(شکل ۳-۲).
شکل ۳-۲: معماری سطح بالا از یک سیستم آگاه از زمینه[۴۶]
از نقطه نظر مدیریت اطلاعات، نقش آگاهی از زمینه در سیستمها، بهطور عمده مشخصکردن قسمت مرتبطتر اطلاعات از کل آنها با توجه به شرایط دربرگیرنده کاربرد است. این فرایند، مناسبسازی۷۸ داده مبتنی بر زمینه نام دارد.
با داشتن چنین سناریویی، مناسبسازی داده مبتنی بر زمینه را میتوان بهعنوان فعالیت تعریف دیدهای۷۹ دادهای دانست. این فعالیت به صورت الف) مشخصسازی زمینههای مختلف که کاربر در فرایند تعریفشده برای برنامه کاربردی با آنها مواجه میشود و ب) تعریف مجموعهای از سطوح دید برای هر یک از زمینههای مشخصشده که هدف، ایجاد پشتیبانی برای کاربران کاربردهای مدیریت داده است، بسته به اینکه در زمینههای متفاوت، به چه میزانی از دادهها ارتباط دارند، میباشد.
امروزه میزان دادهها و منابع دادهای موجود، نیاز به تجمیع آنها را به نوبه خود با مشکل بزرگی روبرو میسازد. علا.هبر آن، عملیات فیلترسازی و یا آمادهسازی قسمت مرتبطتر داده اهداف دیگری را نیز فراهم میکند که عبارتند از ۱) قسمت مناسبی از مجموعه دادهها را در اختیار کاربر قرار میدهد. ۲) تطبیق با محدودیتهای فیزیکی وسایل، ۳) امکان عمل بر روی میزان قابل مدیریتی از دادهها، ۴) تامین کاربر با دادههای مرتبط با مکان و زمان (کاربردهای سیار)[۴۶]
۳-۶ جمعبندی
شاخههای متعددی از علوم کامپیوتری در طول سالهای گذشته به مفهوم زمینه توجه کرده و آنرا در تحقیقات خود مورد بررسی قراردادهاند. دامنه جدیدی که در آن به این مفهوم توجه زیادی شدهاست، پردازش سیار است و این به دلیل قابلیت زمینه در توصیف ویژگیهای محیط سیار میباشد. در حقیقت پیادهسازی کاربردهای مختلف تجارت سیار با توجه به محدودیتهای گوناگون محیطهای سیار بدون درنظرگرفتن پارامترهای تاثیرگذار در این محیط چندان مناسبنخواهدبود. مجموعه این پارامترها، اطلاعات زمینه را تشکیل میدهند و در پردازش سیار نیز مانند بسیاری