Из Википедии, свободной энциклопедии
  (Перенаправлено из рекомендательных систем )
Перейти к навигации Перейти к поиску
Рекомендательные системы
Концепции
Методы и проблемы
Реализации
Исследовать

Система рекомендаций или система рекомендаций (иногда заменяющая «систему» ​​синонимом, таким как платформа или движок), является подклассом системы фильтрации информации, которая стремится предсказать «рейтинг» или «предпочтение», которое пользователь отдает элементу. . [1] [2]

Рекомендательные системы используются во множестве областей, с общепризнанными примерами, принимающими форму генераторов списков воспроизведения для видео и музыкальных сервисов, рекомендателей продуктов для интернет-магазинов или рекомендателей контента для платформ социальных сетей и рекомендателей открытого веб-контента. [3] [4] Эти системы могут работать, используя один вход, например музыку, или несколько входов внутри и между платформами, такими как новости, книги и поисковые запросы. Существуют также популярные рекомендательные системы для конкретных тем, таких как рестораны и онлайн-знакомства . Также были разработаны рекомендательные системы для изучения научных статей и экспертов [5], сотрудников [6] и финансовых услуг. [7]

Обзор [ править ]

В рекомендательных системах обычно используется либо совместная фильтрация, либо фильтрация на основе содержимого (также известная как индивидуальный подход) [8], а также другие системы, такие как системы, основанные на знаниях . Подходы к совместной фильтрации строят модель на основе прошлого поведения пользователя (ранее приобретенные или выбранные предметы и / или числовые рейтинги, присвоенные этим элементам), а также аналогичные решения, принятые другими пользователями. Затем эта модель используется для прогнозирования элементов (или рейтингов для элементов), которые могут быть интересны пользователю. [9] Подходы к фильтрации на основе содержимого используют серию дискретных, предварительно помеченных характеристик элемента, чтобы рекомендовать дополнительные элементы. с аналогичными свойствами. [10] Современные рекомендательные системы обычно объединяют один или несколько подходов в гибридную систему.

Различия между совместной фильтрацией и фильтрацией на основе содержимого можно продемонстрировать, сравнив две системы рекомендаций по ранней музыке - Last.fm и Pandora Radio .

  • Last.fm создает «станцию» рекомендуемых песен, наблюдая, какие группы и отдельные треки регулярно слушает пользователь, и сравнивая их с поведением слушателей другими пользователями. Last.fm будет воспроизводить треки, которых нет в библиотеке пользователя, но которые часто воспроизводятся другими пользователями со схожими интересами. Поскольку этот подход использует поведение пользователей, он является примером метода совместной фильтрации.
  • Pandora использует свойства песни или исполнителя (подмножество 400 атрибутов, предоставленных проектом Music Genome Project ) для создания «станции», которая воспроизводит музыку с аналогичными свойствами. Обратная связь с пользователем используется для уточнения результатов радиостанции, уменьшения акцента на определенных атрибутах, когда пользователю «не нравится» определенная песня, и выделения других атрибутов, когда песня «нравится» пользователю. Это пример контент-ориентированного подхода.

У каждого типа системы есть свои сильные и слабые стороны. В приведенном выше примере Last.fm требует большого количества информации о пользователе, чтобы давать точные рекомендации. Это пример проблемы холодного запуска , часто встречающейся в системах совместной фильтрации. [11] [12] [13] [14] [15] В то время как Pandora требует очень мало информации для запуска, она гораздо более ограничена по объему (например, она может давать только рекомендации, аналогичные исходному сиду).

Рекомендательные системы - полезная альтернатива алгоритмам поиска, поскольку они помогают пользователям находить элементы, которые иначе они могли бы не найти. Следует отметить, что рекомендательные системы часто реализуются с использованием поисковых систем, индексирующих нетрадиционные данные.

Рекомендательные системы были впервые упомянуты в техническом отчете как «цифровая книжная полка» в 1990 году Юсси Карлгреном из Колумбийского университета [16], а с 1994 года реализованы в масштабах и прорабатывались в технических отчетах и ​​публикациях Юсси Карлгреном, затем в SICS, [17] [18] и исследовательские группы во главе с Патти Мэйс из Массачусетского технологического института, [19] Уиллом Хиллом из Bellcore, [20] и Полом Резником , также из Массачусетского технологического института [21] [22], чья работа с GroupLens была удостоена награды ACM Software 2010 года. Системная премия .

Монтанер представил первый обзор рекомендательных систем с точки зрения интеллектуального агента. [23] Адомавичус представил новый альтернативный обзор рекомендательных систем. [24] Херлокер предоставляет дополнительный обзор методов оценки рекомендательных систем, [25] и Бил и др. обсудили проблемы офлайн-оценок. [26] Бил и др. также предоставили обзоры литературы по имеющимся системам рекомендаций по исследовательским работам и существующим проблемам. [27] [28] [29]

На рекомендательные системы было выдано несколько патентов.[30] [31] [32] [33] [34]

Подходы [ править ]

Совместная фильтрация [ править ]

Основная статья: Совместная фильтрация
Пример совместной фильтрации на основе рейтинговой системы

Одним из широко используемых подходов к разработке рекомендательных систем является совместная фильтрация . [35] Совместная фильтрация основана на предположении, что люди, которые соглашались в прошлом, согласятся в будущем, и что им понравятся предметы того же типа, что и в прошлом. Система генерирует рекомендации, используя только информацию о профилях рейтинга для разных пользователей или товаров. Обнаруживая одноранговых пользователей / элементы с историей рейтингов, аналогичной текущему пользователю или элементу, они генерируют рекомендации, используя это окружение. Методы совместной фильтрации подразделяются на основанные на памяти и основанные на модели. Хорошо известным примером подходов, основанных на памяти, является алгоритм, основанный на пользователях [36], в то время как подходы на основе моделей - этоРекомендации по отображению ядра . [37]

Ключевым преимуществом подхода совместной фильтрации является то, что он не полагается на контент, анализируемый машиной, и, следовательно, он способен точно рекомендовать сложные элементы, такие как фильмы, не требуя «понимания» самого элемента. Многие алгоритмы использовались для измерения сходства пользователей или элементов в рекомендательных системах. Например, подход k-ближайшего соседа (k-NN) [38] и корреляция Пирсона, впервые реализованная Алленом. [39]

При построении модели на основе поведения пользователя часто различают явные и неявные формы сбора данных .

Примеры явного сбора данных включают следующее:

  • Просить пользователя оценить элемент по скользящей шкале.
  • Просить пользователя о поиске.
  • Просить пользователя оценить коллекцию элементов от избранных до наименее любимых.
  • Представляем пользователю два предмета и просим его выбрать лучший из них.
  • Просить пользователя создать список предметов, которые ему нравятся (см. Классификацию Роккио или другие подобные методы).

Примеры неявного сбора данных включают следующее:

  • Наблюдение за товарами, которые пользователь просматривает в интернет-магазине.
  • Анализ времени просмотра элемента / пользователя. [40]
  • Ведение учета товаров, которые пользователь покупает в Интернете.
  • Получение списка элементов, которые пользователь слушал или смотрел на своем компьютере.
  • Анализируя социальную сеть пользователя и обнаруживая похожие симпатии и антипатии.

Подходы к совместной фильтрации часто страдают от трех проблем: холодного запуска , масштабируемости и разреженности. [41]

  • Холодный старт : для нового пользователя или элемента недостаточно данных, чтобы давать точные рекомендации. [11] [12] [13] [15]
  • Масштабируемость : во многих средах, в которых эти системы дают рекомендации, есть миллионы пользователей и продуктов. Таким образом, для расчета рекомендаций часто требуется большая вычислительная мощность.
  • Редкость : количество товаров, продаваемых на крупных сайтах электронной коммерции, чрезвычайно велико. Самые активные пользователи оценили только небольшую часть всей базы данных. Таким образом, даже самые популярные товары имеют очень мало оценок.

Один из самых известных примеров совместной фильтрации - это совместная фильтрация по элементам (люди, которые покупают x, также покупают y), алгоритм, популяризированный системой рекомендаций Amazon.com . [42]

Многие социальные сети изначально использовали совместную фильтрацию, чтобы рекомендовать новых друзей, группы и другие социальные связи, исследуя сеть связей между пользователем и их друзьями. [1] Совместная фильтрация по-прежнему используется как часть гибридных систем.

Контентная фильтрация [ править ]

Другой распространенный подход при разработке рекомендательных систем - фильтрация на основе содержимого . Методы фильтрации на основе содержимого основаны на описании элемента и профиле предпочтений пользователя. [43] [44] Эти методы лучше всего подходят для ситуаций, когда есть известные данные об элементе (имя, местоположение, описание и т. Д.), Но не о пользователе. Основанные на содержании рекомендатели рассматривают рекомендацию как проблему классификации, специфичную для пользователя, и изучают классификатор для симпатий и антипатий пользователя на основе характеристик элемента.

В этой системе ключевые слова используются для описания элементов, и создается профиль пользователя, чтобы указать тип элемента, который ему нравится. Другими словами, эти алгоритмы пытаются рекомендовать элементы, похожие на те, которые пользователь любил в прошлом или изучает в настоящее время. Он не полагается на механизм входа пользователя в систему для создания этого часто временного профиля. В частности, различные элементы-кандидаты сравниваются с элементами, ранее оцененными пользователем, и рекомендуются наиболее подходящие элементы. Этот подход уходит корнями в поиск информации и исследования фильтрации информации .

Для создания профиля пользователя система в основном фокусируется на двух типах информации:

1. Модель предпочтений пользователя.

2. История взаимодействия пользователя с рекомендательной системой.

По сути, эти методы используют профиль элемента (т. Е. Набор дискретных атрибутов и функций), характеризующий элемент в системе. Чтобы абстрагироваться от характеристик элементов в системе, применяется алгоритм представления элементов. Широко используемым алгоритмом является представление tf – idf (также называемое представлением в векторном пространстве). [45] Система создает профиль пользователей на основе содержимого на основе взвешенного вектора характеристик элемента. Веса обозначают важность каждой функции для пользователя и могут быть вычислены на основе индивидуально оцененных векторов контента с использованием различных методов. Простые подходы используют средние значения вектора оцененных элементов, в то время как другие сложные методы используют методы машинного обучения, такие как байесовские классификаторы ,кластерный анализ , деревья решений и искусственные нейронные сети для оценки вероятности того, что пользователю понравится товар. [46]

Ключевой проблемой фильтрации на основе содержимого является то, может ли система узнать предпочтения пользователя по действиям пользователей в отношении одного источника содержимого и использовать их в других типах содержимого. Когда система ограничена рекомендацией контента того же типа, который уже использует пользователь, значение из системы рекомендаций значительно меньше, чем когда можно рекомендовать другие типы контента из других служб. Например, рекомендовать новостные статьи на основе просмотра новостей полезно, но было бы гораздо полезнее, когда можно рекомендовать музыку, видео, продукты, обсуждения и т. Д. Из различных служб на основе просмотра новостей. Чтобы преодолеть это, в большинстве рекомендательных систем, основанных на содержании, теперь используются гибридные системы.

Рекомендательные системы, основанные на содержании, также могут включать рекомендательные системы, основанные на мнениях. В некоторых случаях пользователям разрешается оставлять текстовые обзоры или отзывы о товарах. Эти созданные пользователем тексты являются неявными данными для рекомендательной системы, поскольку они потенциально являются богатым ресурсом как по характеристикам / аспектам элемента, так и по оценке / настроению пользователей по отношению к элементу. Функции, извлеченные из обзоров, созданных пользователями, являются улучшенными метаданными элементов, поскольку, поскольку они также отражают такие аспекты элемента, как метаданные , извлеченные функции широко используются пользователями. Мнения, извлеченные из обзоров, можно рассматривать как оценки пользователей по соответствующим функциям. Популярные подходы рекомендательной системы, основанной на мнениях, используют различные методы, включая интеллектуальный анализ текста., поиск информации , анализ тональности (см. также мультимодальный анализ тональности ) и глубокое обучение. [47]

Системы рекомендаций по нескольким критериям [ править ]

Многокритериальные рекомендательные системы (MCRS) можно определить как рекомендательные системы, которые включают информацию о предпочтениях по множеству критериев. Вместо разработки методов рекомендаций, основанных на единственном значении критерия, общем предпочтении пользователя u для элемента i, эти системы пытаются предсказать рейтинг для неизученных элементов u, используя информацию о предпочтениях по множеству критериев, которые влияют на это общее значение предпочтения. Некоторые исследователи подходят к MCRS как к проблеме принятия многокритериальных решений (MCDM) и применяют методы и методы MCDM для реализации систем MCRS. [48] См. Эту главу [49] для расширенного введения.

Системы рекомендаций с учетом рисков [ править ]

Большинство существующих подходов к рекомендательным системам сосредоточены на том, чтобы рекомендовать пользователям наиболее релевантный контент с использованием контекстной информации, но при этом не принимают во внимание риск побеспокоить пользователя нежелательными уведомлениями. Важно учитывать риск расстроить пользователя, выдвигая рекомендации при определенных обстоятельствах, например, во время профессиональной встречи, рано утром или поздно ночью. Таким образом, эффективность рекомендательной системы частично зависит от степени включения риска в процесс рекомендаций. Одним из вариантов решения этой проблемы является система DRARS , которая моделирует контекстно- зависимую рекомендацию как проблему бандита . Эта система сочетает в себе контентную технику и контекстный алгоритм бандитов.[50]

Мобильные рекомендательные системы [ править ]

Дополнительная информация: Рекомендация на основе местоположения

Мобильные рекомендательные системы используют смартфоны с доступом в Интернет, чтобы предлагать персонализированные, контекстно-зависимые рекомендации. Это особенно сложная область исследования, поскольку мобильные данные более сложны, чем данные, с которыми часто приходится иметь дело рекомендательным системам. Он неоднороден, зашумлен, требует пространственной и временной автокорреляции и имеет проблемы с валидацией и общностью. [51]

Есть три фактора, которые могут повлиять на мобильные рекомендательные системы и точность результатов прогнозирования: контекст, метод рекомендации и конфиденциальность. [52] Кроме того, мобильные рекомендательные системы страдают от проблемы трансплантации - рекомендации могут применяться не во всех регионах (например, было бы неразумно рекомендовать рецепт в области, где все ингредиенты могут быть недоступны).

Одним из примеров мобильной рекомендательной системы являются подходы, применяемые такими компаниями, как Uber и Lyft, для создания маршрутов движения для водителей такси в городе. [51] Эта система использует данные GPS о маршрутах, по которым таксисты выбирают во время работы, включая местоположение (широту и долготу), отметки времени и рабочее состояние (с пассажирами или без них). Он использует эти данные, чтобы рекомендовать список пунктов выдачи на маршруте с целью оптимизации времени занятости и прибыли.

Гибридные рекомендательные системы [ править ]

В большинстве рекомендательных систем сейчас используется гибридный подход, сочетающий совместную фильтрацию , фильтрацию на основе содержимого и другие подходы. Нет никаких причин, по которым нельзя было бы гибридизировать несколько различных методов одного и того же типа. Гибридные подходы могут быть реализованы несколькими способами: путем раздельного прогнозирования на основе контента и на основе совместной работы с последующим их объединением; путем добавления возможностей, основанных на содержании, к подходу, основанному на сотрудничестве (и наоборот); или путем объединения подходов в одну модель (см. [24]для полного обзора рекомендательных систем). Несколько исследований, которые эмпирически сравнивают производительность гибрида с чистыми методами совместной работы и методами, основанными на содержании, и продемонстрировали, что гибридные методы могут дать более точные рекомендации, чем чистые подходы. Эти методы также могут использоваться для преодоления некоторых общих проблем в рекомендательных системах, таких как холодный запуск и проблема разреженности, а также узкое место инженерии знаний в подходах, основанных на знаниях . [53]

Netflix - хороший пример использования гибридных рекомендательных систем. [54] Веб-сайт дает рекомендации, сравнивая привычки просмотра и поиска похожих пользователей (например, совместная фильтрация), а также предлагая фильмы, которые имеют общие характеристики с фильмами, получившими высокую оценку пользователя (фильтрация на основе контента).

Некоторые методы гибридизации включают:

  • Взвешенный : численное объединение оценок различных компонентов рекомендации.
  • Переключение : выбор среди рекомендуемых компонентов и применение выбранного.
  • Смешанный : рекомендации от разных рекомендателей представлены вместе, чтобы дать рекомендацию.
  • Комбинация функций : функции, полученные из разных источников знаний, объединяются и передаются в единый алгоритм рекомендаций.
  • Расширение функций : вычисление функции или набора функций, которые затем являются частью исходных данных для следующего метода.
  • Каскад : рекомендателям предоставляется строгий приоритет, при этом те, которые имеют более низкий приоритет, разрывают ничью при подсчете очков с более высокими.
  • Мета-уровень : применяется один рекомендательный метод и создается своего рода модель, которая затем используется в следующей технике. [55]

Рекомендательные системы на основе сеансов [ править ]

Эти рекомендательные системы используют взаимодействия пользователя в рамках сеанса. [56] Рекомендательные системы на основе сеансов используются на Youtube [57] и Amazon. [58] Они особенно полезны, когда история (например, прошлые клики, покупки) пользователя недоступна или не актуальна в текущем сеансе. Большинство экземпляров рекомендательных систем на основе сеанса полагаются на последовательность недавних взаимодействий в рамках сеанса, не требуя каких-либо дополнительных сведений (исторических, демографических) о пользователе. Методы для рекомендаций на основе сеансов в основном основаны на генеративных последовательных моделях, таких как Рекуррентные нейронные сети, [56] [59] Трансформаторы, [60] и другие подходы, основанные на глубоком обучении [61][62]

Обучение с подкреплением для рекомендательных систем [ править ]

Проблема рекомендации может рассматриваться как особый случай проблемы обучения с подкреплением, при которой пользователь является средой, в которой действует агент, система рекомендаций, чтобы получить вознаграждение, например щелчок или взаимодействие со стороны пользователя. [57] [63] [64] Одним из аспектов обучения с подкреплением, которое особенно полезно в области рекомендательных систем, является тот факт, что модели или политики могут быть изучены путем предоставления вознаграждения рекомендательному агенту. В этом отличие от традиционных методов обучения, которые основываются на подходах к контролируемому обучению, которые являются менее гибкими, рекомендательные методы обучения с подкреплением позволяют потенциально обучать модели, которые можно оптимизировать непосредственно на основе показателей вовлеченности и интереса пользователей. [65]

Приз Netflix [ править ]

Одним из событий, которые стимулировали исследования в области рекомендательных систем, стала премия Netflix . С 2006 по 2009 год Netflix спонсировал конкурс, предлагая главный приз в размере 1000000 долларов команде, которая могла взять предложенный набор данных из более чем 100 миллионов рейтингов фильмов и выдать рекомендации, которые были на 10% точнее, чем те, которые предлагает существующая система рекомендаций компании. Этот конкурс стимулировал поиск новых и более точных алгоритмов. 21 сентября 2009 года главный приз в размере 1 000 000 долларов США был присужден команде BellKor Pragmatic Chaos по правилам тай-брейка. [66]

Самый точный алгоритм 2007 года использовал метод ансамбля из 107 различных алгоритмических подходов, объединенных в один прогноз. Как заявили победители, Белл и др .: [67]

Точность прогнозирования существенно повышается при смешивании нескольких предикторов. Наш опыт показывает, что большинство усилий следует сосредоточить на разработке существенно разных подходов, а не на совершенствовании единой техники. Следовательно, наше решение представляет собой совокупность многих методов.

Благодаря проекту Netflix Интернет получил множество преимуществ. Некоторые команды взяли свои технологии и применили их на других рынках. Некоторые члены команды, занявшей второе место, основали Gravity R&D , механизм рекомендаций, который активно участвует в сообществе RecSys. [66] [68] 4-Tell, Inc. создала решение на основе проекта Netflix для веб-сайтов электронной коммерции.

В связи с набором данных, предложенным Netflix для конкурса Netflix Prize, возник ряд проблем с конфиденциальностью . Хотя наборы данных были анонимными, чтобы сохранить конфиденциальность клиентов, в 2007 году два исследователя из Техасского университета смогли идентифицировать отдельных пользователей, сопоставив наборы данных с рейтингами фильмов в базе данных Internet Movie Database. [69] В результате в декабре 2009 года анонимный пользователь Netflix подал в суд на Netflix в деле Доу против Netflix, утверждая, что Netflix нарушила законы США о справедливой торговле и Закон о защите конфиденциальности видео, опубликовав наборы данных. [70] Это, а также опасения Федеральной торговой комиссии , привели к отмене второго конкурса Netflix Prize в 2010 году. [71]

Показатели эффективности [ править ]

Оценка важна для оценки эффективности алгоритмов рекомендаций. Для измерения эффективности рекомендательных систем и сравнения различных подходов доступны три типа оценок : пользовательские исследования, онлайн-оценки (A / B-тесты) и офлайн-оценки. [26]

Обычно используемые метрики - это среднеквадратичная ошибка и среднеквадратичная ошибка , последняя из которых использовалась в конкурсе Netflix Prize. Метрики поиска информации, такие как точность и отзыв или DCG , полезны для оценки качества метода рекомендаций. Разнообразие, новизна и охват также считаются важными аспектами оценки. [72] Однако многие классические методы оценки подвергаются резкой критике. [73]

Оценка производительности алгоритма рекомендаций на фиксированном наборе тестовых данных всегда будет чрезвычайно сложной задачей, поскольку невозможно точно предсказать реакцию реальных пользователей на рекомендации. Следовательно, любая метрика, которая вычисляет эффективность алгоритма в автономных данных, будет неточной.

Исследования пользователей довольно малы. Нескольким десяткам или сотням пользователей представлены рекомендации, созданные с помощью различных подходов к рекомендациям, а затем пользователи решают, какие рекомендации являются лучшими. В A / B-тестах рекомендации обычно показываются тысячам пользователей реального продукта, и рекомендательная система случайным образом выбирает по крайней мере два различных подхода к рекомендациям для генерации рекомендаций. Эффективность измеряется неявными мерами эффективности, такими как коэффициент конверсии или рейтинг кликов . Автономные оценки основаны на исторических данных, например на наборе данных, который содержит информацию о том, как пользователи ранее оценивали фильмы. [74]

Затем эффективность рекомендательных подходов измеряется на основе того, насколько хорошо рекомендательный подход может предсказать рейтинги пользователей в наборе данных. Хотя рейтинг является явным выражением того, понравился ли фильм пользователю, такая информация доступна не во всех доменах. Например, в области систем рекомендаций по цитированию пользователи обычно не оценивают цитирование или рекомендованную статью. В таких случаях офлайн-оценки могут использовать неявные меры эффективности. Например, можно предположить, что эффективна рекомендательная система, способная рекомендовать как можно больше статей, содержащихся в списке ссылок на исследовательскую статью. Однако многие исследователи считают подобные офлайн-оценки критическими. [75] [76] [77] [26]Например, было показано, что результаты автономных оценок имеют низкую корреляцию с результатами пользовательских исследований или A / B-тестов. [77] [78] Было показано, что набор данных, популярный для автономной оценки, содержит повторяющиеся данные и, таким образом, приводит к неправильным выводам при оценке алгоритмов. [79] Часто результаты так называемых автономных оценок не коррелируют с фактически оцененной степенью удовлетворенности пользователей. [80] Вероятно, это связано с тем, что автономное обучение сильно смещено в сторону высокодоступных элементов, а данные автономного тестирования сильно зависят от результатов работы модуля онлайн-рекомендаций. [75] [81] Исследователи пришли к выводу, что к результатам офлайн-оценок следует относиться критически.[82]

За пределами точности [ править ]

Обычно исследования рекомендательных систем направлены на поиск наиболее точных алгоритмов рекомендаций. Однако есть ряд факторов, которые также важны.

  • Разнообразие - пользователи, как правило, больше удовлетворяются рекомендациями, когда существует большее разнообразие внутри списка, например, предметы от разных художников. [83] [84]
  • Настойчивость рекомендателя - в некоторых ситуациях более эффективно повторно показать рекомендации [85] или позволить пользователям повторно оценить элементы [86], чем показывать новые элементы. На это есть несколько причин. Пользователи могут игнорировать элементы, когда они отображаются впервые, например, потому что у них не было времени внимательно изучить рекомендации.
  • Конфиденциальность - рекомендательным системам обычно приходится иметь дело с проблемами конфиденциальности [87], потому что пользователям приходится раскрывать конфиденциальную информацию. Создание профилей пользователей с использованием совместной фильтрации может быть проблематичным с точки зрения конфиденциальности. Во многих европейских странах существует сильная культура конфиденциальности данных , и каждая попытка ввести любой уровень профилирования пользователей может привести к отрицательной реакции клиентов. В этой области было проведено много исследований по текущим вопросам конфиденциальности. Приз Netflixособенно примечателен подробной личной информацией, опубликованной в его наборе данных. Рамакришнан и др. провели обширный обзор компромиссов между персонализацией и конфиденциальностью и обнаружили, что сочетание слабых связей (неожиданное соединение, которое дает случайные рекомендации) и других источников данных можно использовать для раскрытия личности пользователей в анонимизированном наборе данных. [88]
  • Демографические данные пользователей - Beel et al. обнаружили, что демографические данные пользователей могут влиять на то, насколько пользователи удовлетворены рекомендациями. [89] В своей статье они показывают, что пожилые пользователи, как правило, больше заинтересованы в рекомендациях, чем молодые.
  • Надежность - когда пользователи могут участвовать в рекомендательной системе, необходимо решить проблему мошенничества. [90]
  • Интуиция - Интуиция - это мера того, «насколько удивительны рекомендации». [91] [92] Например, система рекомендаций, которая рекомендует молоко покупателю в продуктовом магазине, может быть совершенно точной, но это не очень хорошая рекомендация, потому что это очевидный товар для покупателя.
  • Доверие - рекомендательная система не имеет большого значения для пользователя, если он не доверяет системе. [93] Доверие можно создать с помощью рекомендательной системы, объяснив, как она генерирует рекомендации и почему рекомендует какой-либо элемент.
  • Маркировка - на удовлетворенность пользователей рекомендациями может влиять маркировка рекомендаций. [94] Например, в цитируемом исследовании кликов (CTR) для рекомендаций помеченных как «Sponsored» были ниже (CTR = 5,93%) по сравнению с CTR для идентичных рекомендаций помеченных как «Organic» (CTR = 8,86%). Рекомендации без маркировки показали себя наилучшим образом (CTR = 9,87%) в этом исследовании.

Воспроизводимость [ править ]

Сфера рекомендательных систем также пострадала от кризиса воспроизводимости . Систематический анализ публикаций, применяющих глубокое обучение или нейронные методы для решения топ-k проблем рекомендаций, опубликованных на ведущих конференциях (SIGIR, KDD, WWW, RecSys, IJCAI), показал, что в среднем менее 40% статей воспроизводимы, причем всего 14% на некоторых конференциях. В целом исследования выявили 26 статей, только 12 из них могли быть воспроизведены, а 11 из них могли бы превзойти гораздо более старые и более простые, правильно настроенные исходные данные о показателях автономной оценки. В статьях также освещается ряд потенциальных проблем в современной исследовательской науке и содержится призыв к совершенствованию научной практики в этой области. [95] [96] [97]Аналогичная статья той же группы была опубликована о рекомендательных системах, учитывающих последовательность. [98] Более поздняя работа по тестированию набора тех же методов привела к качественно очень разным результатам [99], в результате чего нейронные методы были признаны одними из самых эффективных. Кроме того, нейронные методы и методы глубокого обучения широко используются в промышленности, где они тщательно тестируются. [100] [57] [58] Тема воспроизводимости не нова в рекомендательных системах. К 2011 году Экстранд, Констан и др. критиковал, что «в настоящее время трудно воспроизвести и расширить результаты исследований рекомендательных систем», и что оценки «не обрабатываются последовательно». [101]Констан и Адомавичиус заключают, что «исследовательское сообщество Рекомендующих систем сталкивается с кризисом, когда значительное количество статей представляет результаты, которые мало способствуют коллективному знанию […] часто потому, что исследованию не хватает […] оценки для правильной оценки и, следовательно, для внесения значимого вклада ". [102] Как следствие, многие исследования рекомендательных систем можно считать невоспроизводимыми. [103]Следовательно, операторы рекомендательных систем находят в текущих исследованиях мало указаний для ответа на вопрос, какие рекомендательные подходы использовать в рекомендательных системах. Said & Bellogín провели исследование статей, опубликованных в этой области, а также провели сравнительный анализ некоторых из самых популярных структур для рекомендаций и обнаружили большие несоответствия в результатах, даже когда использовались одни и те же алгоритмы и наборы данных. [104] Некоторые исследователи продемонстрировали, что незначительные вариации в алгоритмах рекомендаций или сценариях приводят к сильным изменениям в эффективности рекомендательной системы. Они приходят к выводу, что для улучшения текущей ситуации необходимо семь действий: [103] «(1) изучите другие области исследований и извлеките уроки из них, (2) найдите общее понимание воспроизводимости, (3) определите и поймите детерминанты, влияющие на воспроизводимость, (4) проведите более всесторонние эксперименты (5) модернизируйте методы публикации, ( 6) способствовать развитию и использованию рамок рекомендаций и (7) устанавливать руководящие принципы передовой практики для исследования рекомендательных систем ».

См. Также [ править ]

  • Рейтинг сайта
  • Холодный запуск
  • Совместная фильтрация
  • Коллективный разум
  • Платформа для обнаружения контента
  • Закладки предприятия
  • Пузырь с фильтром
  • Персонализированный маркетинг
  • Выявление предпочтений
  • Поиск продукта
  • Конфигуратор
  • Распознавание образов

Ссылки [ править ]

  1. ^ a b Франческо Риччи, Лиор Рокач и Браха Шапира, Введение в справочник по рекомендательным системам, Справочник по рекомендательным системам, Springer, 2011, стр. 1-35
  2. ^ "Плейбой Лидирует Повышение Рекомендации Двигателей - ВРЕМЯ" . TIME.com . 27 мая 2010 . Дата обращения 1 июня 2015 .
  3. ^ Pankaj Gupta, Ashish Гоел, Джимми Лин, Aneesh Шарма, Дон Ван и Реза Заде Bosagh WTF: Система , которые в последующей в Twitter , Труды 22й международной конференции по World Wide Web
  4. ^ Баран, Ремигиуш; Дзех, Анджей; Зея, Анджей (2018-06-01). «Платформа для обнаружения мультимедийного контента, основанная на анализе визуального контента и интеллектуальном обогащении данных» . Мультимедийные инструменты и приложения . 77 (11): 14077–14091. DOI : 10.1007 / s11042-017-5014-1 . ISSN 1573-7721 . S2CID 36511631 .  
  5. ^ Х. Чен, AG Ororbia II, CL Giles ExpertSeer: экспертный советник на основе ключевых слов для электронных библиотек , в препринте arXiv 2015 г.
  6. ↑ H. Chen, L. Gou, X. Zhang, C. Giles Collabseer: поисковая машина для открытия совместной работы , в Совместной конференции ACM / IEEE по электронным библиотекам (JCDL) 2011 г.
  7. ^ Александр Фелферниг, Клаус Исак, Кальман Сабо, Питер Захар, Среда поддержки продаж финансовых услуг VITA , в AAAI / IAAI 2007, стр. 1692-1699, Ванкувер, Канада, 2007.
  8. ^ Хосейн Jafarkarimi; ATH Sim и R. Saadatdoost Модель наивных рекомендаций для больших баз данных , Международный журнал информационных и образовательных технологий, июнь 2012 г.
  9. ^ Прем Мелвилл и Викас Синдвани, Рекомендательные системы , Энциклопедия машинного обучения, 2010.
  10. ^ RJ Муни и Л. Рой (1999). Рекомендации книг на основе содержания с использованием обучения для категоризации текста . В Мастерской Рекоменд. Sys .: Algo. и оценка.
  11. ^ a b ChenHung-Hsuan; ChenPu (09.01.2019). «Дифференциация весов регуляризации - простой механизм для облегчения холодного старта в рекомендательных системах». Транзакции ACM при обнаружении знаний из данных (TKDD) . 13 : 1–22. DOI : 10.1145 / 3285954 . S2CID 59337456 . 
  12. ^ a b Рубенс, Нил; Элахи , Мехди; Сугияма, Масаси; Каплан, Дайн (2016). «Активное обучение в рекомендательных системах» . В Риччи, Франческо; Рокач, Лиор; Шапира, Браха (ред.). Справочник рекомендательных систем (2-е изд.). Springer США. DOI : 10.1007 / 978-1-4899-7637-6_24 . ISBN 978-1-4899-7637-6.
  13. ^ а б Элахи , Мехди; Риччи , Франческо; Рубенс, Нил (2016). «Обзор активного обучения в рекомендательных системах совместной фильтрации» . Обзор компьютерных наук . 20 : 29–50. DOI : 10.1016 / j.cosrev.2016.05.002 .
  14. ^ Эндрю И. Шейн, Александрин Попескул, Лайл Х. Унгар , Дэвид М. Пеннок (2002). Методы и показатели для рекомендаций по холодному запуску . Материалы 25-й ежегодной международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска (SIGIR 2002). : ACM . С.  253–260 . ISBN  1-58113-561-0. Проверено 2 февраля 2008 .CS1 maint: несколько имен: список авторов ( ссылка )
  15. ^ а б Би, Сюань; Ку, Энни; Ван, Цзюньхуэй; Шен, Сяотун (2017). «Групповая рекомендательная система» . Журнал Американской статистической ассоциации . 112 (519): 1344–1353. DOI : 10.1080 / 01621459.2016.1219261 . S2CID 125187672 . 
  16. ^ Карлгрен, Юсси. 1990. "Алгебра рекомендаций". Рабочий документ Syslab 179 (1990).
  17. ^ Карлгрен, Юсси. « Кластеризация групп новостей на основе поведения пользователей - алгебра рекомендаций ». Отчет об исследованиях SICS (1994).
  18. ^ Karlgren, Юсси (октябрь 2017). «Цифровая книжная полка: оригинальные работы над рекомендательными системами» . Проверено 27 октября 2017 года .
  19. ^ Shardanand, Upendra и Патти Мэйс. « Фильтрация социальной информации: алгоритмы автоматизации« молвы » ». В материалах конференции SIGCHI «Человеческий фактор в вычислительных системах», стр. 210–217. ACM Press / Addison-Wesley Publishing Co., 1995.
  20. ^ Хилл, Уилл, Ларри Стед, Марк Розенштейн и Джордж Фурнас. « Рекомендации и оценка вариантов в виртуальном сообществе пользователей ». В материалах конференции SIGCHI «Человеческий фактор в вычислительных системах», стр. 194-201. ACM Press / Addison-Wesley Publishing Co., 1995.
  21. ^ Резник, Павел, Неофит Яков, Mitesh Suchak, Питер Bergström и Джон Ридл. « GroupLens: открытая архитектура для совместной фильтрации сетевых новостей ». В Трудах конференции ACM 1994 года по компьютерной поддержке совместной работы, стр. 175-186. ACM, 1994.
  22. ^ Резник, Пол и Хэл Р. Вариан. «Рекомендательные системы». Коммуникации ACM 40, no. 3 (1997): 56-58.
  23. ^ Монтанер, М .; Lopez, B .; де ла Роса, JL (июнь 2003 г.). «Таксономия рекомендательных агентов в Интернете». Обзор искусственного интеллекта . 19 (4): 285–330. DOI : 10,1023 / A: 1022850703159 . S2CID 16544257 . .
  24. ^ a b Adomavicius, G .; Тужилин, А. (июнь 2005 г.). «К следующему поколению рекомендательных систем: обзор современного состояния и возможных расширений» . IEEE Transactions по разработке знаний и данных . 17 (6): 734–749. CiteSeerX 10.1.1.107.2790 . DOI : 10,1109 / TKDE.2005.99 . S2CID 206742345 .  .
  25. ^ Херлокер, JL; Konstan, JA; Тервен, LG; Ридл, Дж. Т. (январь 2004 г.). «Оценка рекомендательных систем совместной фильтрации». ACM Trans. Инф. Syst . 22 (1): 5–53. CiteSeerX 10.1.1.78.8384 . DOI : 10.1145 / 963770.963772 . S2CID 207731647 .  .
  26. ^ a b c Beel, J .; Genzmehr, M .; Гипп, Б. (октябрь 2013 г.). «Сравнительный анализ автономных и онлайн-оценок и обсуждение оценки рекомендательной системы исследовательских работ» (PDF) . Труды семинара по воспроизводимости и репликации в оценке рекомендательных систем (RepSys) на конференции ACM Recommender System Conference (RecSys) .
  27. ^ Beel, J .; Langer, S .; Genzmehr, M .; Gipp, B .; Брайтингер, К. (октябрь 2013 г.). «Оценка системы рекомендаций по исследовательским работам: количественный обзор литературы» (PDF) . Труды семинара по воспроизводимости и репликации в оценке рекомендательных систем (RepSys) на конференции ACM Recommender System Conference (RecSys) .
  28. ^ Beel, J .; Gipp, B .; Langer, S .; Брайтингер, К. (26 июля 2015 г.). "Рекомендательные системы исследовательских работ: обзор литературы" . Международный журнал электронных библиотек . 17 (4): 305–338. DOI : 10.1007 / s00799-015-0156-0 . S2CID 207035184 . 
  29. ^ Waila, P .; Singh, V .; Сингх М. (26 апреля 2016 г.). «Наукометрический анализ исследований в рекомендательных системах» (PDF) . Журнал наукометрических исследований . 5 : 71–84. DOI : 10,5530 / jscires.5.1.10 .
  30. ↑ Стек, Чарльз. « Система и метод предоставления рекомендаций товаров и услуг на основе зарегистрированной истории покупок ». Патент США 7,222,085, выдан 22 мая 2007 г.
  31. ^ Герц, Фредерик SM. «Электронные газеты и реклама на заказ». Патент США 7,483,871, выдан 27 января 2009 г.
  32. ↑ Герц, Фредерик, Лайл Унгар, Цзянь Чжан и Дэвид Вачоб. « Система и метод предоставления доступа к данным с использованием профилей клиентов ». Патент США 8056100, выдан 8 ноября 2011 г.
  33. ^ Харбик, Эндрю В., Райан Дж. Снодграсс и Джоэл Р. Шпигель. « Обнаружение похожих цифровых произведений и авторов работ на основе плейлистов ». Патент США 8,468,046, выдан 18 июня 2013 г.
  34. ^ Линден, Грегори Д., Брент Рассел Смит и Нида К. Зада. « Автоматическое обнаружение и выявление основанных на поведении отношений между просматриваемыми элементами ». Патент США 9070156, выдан 30 июня 2015 г.
  35. ^ Джон С. Бриз; Дэвид Хекерман и Карл Кэди (1998). Эмпирический анализ алгоритмов прогнозирования для совместной фильтрации . В материалах четырнадцатой конференции по неопределенности в искусственном интеллекте (UAI'98). arXiv : 1301,7363 .
  36. ^ Бриз, Джон С .; Хекерман, Дэвид; Кэди, Карл (1998). Эмпирический анализ алгоритмов прогнозирования для совместной фильтрации (PDF) (Отчет). Microsoft Research.
  37. ^ Газанфар, Мустансар Али; Прюгель-Беннет, Адам; Сзедмак, Шандор (15.11.2012). "Алгоритмы системы Kernel-Mapping Recommender". Информационные науки . 208 : 81–104. CiteSeerX 10.1.1.701.7729 . DOI : 10.1016 / j.ins.2012.04.012 . 
  38. ^ Sarwar, B .; Karypis, G .; Konstan, J .; Ридл, Дж. (2000). «Применение уменьшения размерности в рекомендательной системе - тематическое исследование» .,
  39. Перейти ↑ Allen, RB (1990). «Пользовательские модели: теория, метод, практика». Международный J. Человеко-машинные исследования. Цитировать журнал требует |journal=( помощь )
  40. ^ Парсонс, J .; Ralph, P .; Галлахер, К. (июль 2004 г.). «Использование времени просмотра для определения пользовательских предпочтений в рекомендательных системах». Семинар AAAI по персонализации семантической паутины, Сан-Хосе, Калифорния. Цитировать журнал требует |journal=( помощь ).
  41. ^ Sanghack Ли и Jihoon Ян и Сен-Ен Пак, Обнаружение скрытых похожести на Collaborative Filtering Преодолеть разреженности проблемы , Discovery Science, 2007.
  42. ^ Совместные рекомендации с использованием сопоставлений схожести элементов, заархивированных 16 марта 2015 г., на Wayback Machine
  43. ^ Аггарваль, Чара C. (2016). Рекомендательные системы: Учебник . Springer. ISBN 9783319296579.
  44. ↑ Петр Брусиловский (2007). Адаптивный Интернет . п. 325 . ISBN 978-3-540-72078-2.
  45. ^ DH Wang, YC Liang, D.Xu, XY Feng, RC Guan (2018), « Система рекомендаций, основанная на содержании, для публикаций по информатике », Knowledge-Based Systems , 157: 1-9
  46. ^ Blanda, Стефани (25 мая 2015). «Системы онлайн-рекомендаций - как веб-сайт узнает, что я хочу?» . Американское математическое общество . Проверено 31 октября, 2016 .
  47. ^ XY Feng, H. Zhang, YJ Ren, PH Shang, Y. Zhu, YC Liang, RC Guan, D. Xu, (2019), «Pubmender» рекомендательной системы на основе глубокого обучения для выбора места публикации биомедицинских публикаций: Исследование развития и проверки ", Журнал медицинских интернет-исследований , 21 (5): e12957
  48. ^ Lakiotaki, K .; Мацацини; Цукиас, А (март 2011 г.). «Многокритериальное пользовательское моделирование в рекомендательных системах». Интеллектуальные системы IEEE . 26 (2): 64–76. CiteSeerX 10.1.1.476.6726 . DOI : 10.1109 / mis.2011.33 . S2CID 16752808 .  
  49. ^ Гедиминас Адомавичюс, Никос Manouselis, YoungOk Kwon. «Многокритериальные рекомендательные системы» (PDF) . Архивировано из оригинального (PDF) 30 июня 2014 года. CS1 maint: использует параметр авторов ( ссылка )
  50. ^ Bouneffouf, Djallel (2013), DRARS, Динамический риск-Aware Recommender System (Ph.D.), Национальный институт де ТЕЛЕКОММУНИКАЦИИ
  51. ^ а б Юн Ге; Хуэй Сюн; Александр Тужилин; Кели Сяо; Марко Грутезер; Майкл Дж. Паццани (2010). Энергоэффективная мобильная рекомендательная система (PDF) . Материалы 16-й Международной конференции ACM SIGKDD. по обнаружению знаний и интеллектуальному анализу данных. Нью-Йорк, Нью-Йорк : ACM . С. 899–908 . Проверено 17 ноября 2011 .
  52. ^ Pimenidis, Элиас; Полатидис, Николаос; Муратидис, Хараламбос (3 августа 2018 г.). «Мобильные рекомендательные системы: определение основных концепций». Журнал информатики . 45 (3): 387–397. arXiv : 1805.02276 . DOI : 10.1177 / 0165551518792213 . S2CID 19209845 . 
  53. ^ Ринке Хекстра, Узкое место реинжиниринга знаний , Семантическая сеть - взаимодействие, удобство использования, применимость 1 (2010) 1, IOS Press
  54. ^ Гомес-Урибе, Карлос А .; Хант, Нил (28 декабря 2015 г.). «Рекомендательная система Netflix» . ACM-транзакции в управляющих информационных системах . 6 (4): 1–19. DOI : 10.1145 / 2843948 .
  55. ^ Робин Берк, Hybrid Web Recommender Systems архивации 2014-09-12 в Wayback Machine , стр. 377-408, Адаптивный вебПитер Брусиловский, Альфред кобза, Вольфганг Nejdl (ред.), Lecture Notes вкомпьютерных наук, SpringerVerlag, Берлин, Германия, Lecture Notes in Computer Science, Vol. 4321, май 2007 г., 978-3-540-72078-2.
  56. ^ a b Хидаси, Балаж; Карацоглу, Александрос; Балтрунас, Линас; Тикк, Домонко (2016-03-29). «Сессионные рекомендации с рекуррентными нейронными сетями». arXiv : 1511.06939 [ cs.LG ].
  57. ^ a b c Чен, Минмин; Бейтель, Алекс; Ковингтон, Пол; Джайн, Сагар; Беллетти, Франсуа; Чи, Эд (2018). «Коррекция Top-K Off-policy для рекомендательной системы REINFORCE». arXiv : 1812.02353 [ cs.LG ].
  58. ^ а б Ифэй, Ма; Нараянасвами, Балакришнан; Хайбин, Линь; Хао, Дин (2020). «Временно-контекстная рекомендация в реальном времени» . KDD '20: Материалы 26-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных . Ассоциация вычислительной техники: 2291–2299. DOI : 10.1145 / 3394486.3403278 . ISBN 9781450379984. S2CID  221191348 .
  59. ^ Hidasi, Балаж; Карацоглу, Александрос (17.10.2018). «Рекуррентные нейронные сети с максимальным выигрышем для рекомендаций, основанных на сеансах» . Материалы 27-й Международной конференции ACM по управлению информацией и знаниями . ЦИКМ '18. Турин, Италия: Ассоциация вычислительной техники: 843–852. arXiv : 1706.03847 . DOI : 10.1145 / 3269206.3271761 . ISBN 978-1-4503-6014-2. S2CID  1159769 .
  60. ^ Кан, Ван-Ченг; Маколи, Джулиан (2018). «Самостоятельная последовательная рекомендация». arXiv : 1808.09781 [ cs.IR ].
  61. ^ Ли, Цзин; Рен, Пэнцзе; Чен, Жумин; Рен, Чжаочунь; Лиан, Дао; Ма, июнь (2017-11-06). «Рекомендации на основе нейронных внимательных сеансов» . Материалы конференции ACM 2017 по управлению информацией и знаниями . ЦИКМ '17. Сингапур, Сингапур: Ассоциация вычислительной техники: 1419–1428. arXiv : 1711.04725 . DOI : 10.1145 / 3132847.3132926 . ISBN 978-1-4503-4918-5. S2CID  21066930 .
  62. ^ Лю, Цяо; Цзэн, Ифу; Мохози, Рефуо; Чжан, Хайбинь (19.07.2018). «ШТАМП: Модель краткосрочного внимания / приоритета памяти для рекомендаций на основе сеанса» . Материалы 24-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных . КДД '18. Лондон, Соединенное Королевство: Ассоциация вычислительной техники: 1831–1839. DOI : 10.1145 / 3219819.3219950 . ISBN 978-1-4503-5552-0. S2CID  50775765 .
  63. ^ Синь, Синь; Карацоглу, Александрос; Арапакис, Иоаннис; Хосе, Джоэмон (2020). «Самоконтролируемое обучение с подкреплением для рекомендательных систем». arXiv : 2006.05779 [ cs.LG ].
  64. ^ Т.е., Евгений; Джайн, Вихан; Нарвекар, Санмит; Агарвал, Ритеш; Ву, Руи; Ченг, Хэн-Цзы; Чандра, Тушар; Бутилье, Крейг. «SlateQ: управляемая декомпозиция для обучения с подкреплением с наборами рекомендаций» . Труды Двадцать восьмой Международной совместной конференции по искусственному интеллекту (IJCAI-19) .
  65. ^ Цзоу, Лисинь; Ся, Лонг; Дин, Чжуое; Песня, Цзясин; Лю, Вэйдун; Инь, Давэй (2019). «Обучение с подкреплением для оптимизации долгосрочного взаимодействия с пользователем в рекомендательных системах» . KDD '19: Материалы 25-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных : 2810–2818. arXiv : 1902.05570 . DOI : 10.1145 / 3292500.3330668 . ISBN 9781450362016. S2CID  62903207 .
  66. ^ а б Лор, Стив. «Сделка на исследование для Netflix на 1 миллион долларов и, возможно, модель для других» . Нью-Йорк Таймс .
  67. ^ Р. Белл; Ю. Корен; К. Волинский (2007). «Решение BellKor для получения премии Netflix» (PDF) .
  68. ^ Бодоки, Томас (2009-08-06). «Mátrixfaktorizáció один миллион долларов» . Индекс .
  69. ^ Возвышение Netflix Hackers В архиве 24 января 2012, в Wayback Machine
  70. ^ «Netflix раскрыл секрет твоей горбатой горы, исковые требования» . ПРОВОДНОЙ . 17 декабря 2009 . Дата обращения 1 июня 2015 .
  71. ^ «Обновление приза Netflix» . Форум премии Netflix. 12 марта 2010 г.
  72. ^ Латия, Н., Хейлс, С., Капра, Л., Аматриан, X .: Временное разнообразие в рекомендательных системах . В: Материалы 33-й Международной конференции ACMSIGIR по исследованиям и разработкам в области информационного поиска, SIGIR 2010, стр. 210–217. ACM, Нью-Йорк
  73. ^ Терпин, Эндрю Х, Херш, Уильям (2001). «Почему пакетные и пользовательские оценки не дают одинаковых результатов». Материалы 24-й ежегодной международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска . С. 225–231.CS1 maint: несколько имен: список авторов ( ссылка )
  74. ^ "Набор данных MovieLens" . 2013-09-06.
  75. ^ a b ChenHung-Hsuan; ChungChu-An; Хуан Синь-Цзянь; TsuiWen (2017-09-01). «Общие ошибки в обучении и оценке рекомендательных систем». Информационный бюллетень ACM SIGKDD Explorations . 19 : 37–45. DOI : 10.1145 / 3137597.3137601 . S2CID 10651930 . 
  76. ^ Яннах, Дитмар; Лерче, Лукас; Гедикли, Фатих; Боннин, Джеффрей (10.06.2013). Карберри, Сандра; Вейбельцаль, Стефан; Микарелли, Алессандро; Семераро, Джованни (ред.). Пользовательское моделирование, адаптация и персонализация . Конспект лекций по информатике. Springer Berlin Heidelberg. стр.  25 -37. CiteSeerX 10.1.1.465.96 . DOI : 10.1007 / 978-3-642-38844-6_3 . ISBN  9783642388439.
  77. ^ a b Терпин, Эндрю Х .; Херш, Уильям (2001-01-01). Почему пакетная и пользовательская оценки не дают одинаковых результатов . Материалы 24-й ежегодной международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска . СИГИР '01. Нью-Йорк, Нью-Йорк, США: ACM. С.  225–231 . CiteSeerX 10.1.1.165.5800 . DOI : 10.1145 / 383952.383992 . ISBN  978-1581133318. S2CID  18903114 .
  78. ^ Лангер, Стефан (2015-09-14). «Сравнение автономных оценок, онлайн-оценок и пользовательских исследований в контексте рекомендательных систем для исследовательских работ». В Капидакисе, Сарантосе; Мазурек, Цезары; Верла, Марцин (ред.). Исследования и передовые технологии для электронных библиотек . Конспект лекций по информатике. 9316 . Издательство Springer International. С. 153–168. DOI : 10.1007 / 978-3-319-24592-8_12 . ISBN 9783319245911.
  79. ^ Basaran, Даниил; Нтуци, Эйрини; Зимек, Артур (2017). Труды Международной конференции SIAM 2017 по интеллектуальному анализу данных . С. 390–398. DOI : 10.1137 / 1.9781611974973.44 . ISBN 978-1-61197-497-3.
  80. ^ Бил, Джоран; Гензмехр, Марсель; Лангер, Стефан; Нюрнбергер, Андреас; Гипп, Бела (01.01.2013). Сравнительный анализ автономных и онлайн-оценок и обсуждение оценки рекомендательной системы исследовательских работ . Труды международного семинара по воспроизводимости и репликации в оценке рекомендательных систем . RepSys '13. Нью-Йорк, Нью-Йорк, США: ACM. С. 7–14. CiteSeerX 10.1.1.1031.973 . DOI : 10.1145 / 2532508.2532511 . ISBN  9781450324656. S2CID  8202591 .
  81. ^ Каньямарес, Росио; Кастельс, Пабло (июль 2018 г.). Следует ли мне следовать за толпой? Вероятностный анализ эффективности популярности рекомендательных систем (PDF) . 41-я ежегодная международная конференция ACM SIGIR по исследованиям и разработкам в области информационного поиска (SIGIR 2018). Анн-Арбор, Мичиган, США: ACM. С. 415–424. DOI : 10.1145 / 3209978.3210014 .
  82. ^ Каньямарес, Росио; Кастельс, Пабло ; Моффат, Алистер (март 2020 г.). «Возможности автономной оценки рекомендательных систем» (PDF) . Информационный поиск . Springer. 23 (4): 387–410. DOI : 10.1007 / s10791-020-09371-3 .
  83. ^ Циглера, CN, Макни, С.М., Констан, JA и Lausen, Г. (2005). «Улучшение списков рекомендаций за счет диверсификации тем». Материалы 14-й международной конференции по всемирной паутине . С. 22–32.CS1 maint: несколько имен: список авторов ( ссылка )
  84. ^ Кастельс, Пабло ; Херли, Нил Дж .; Варгас, Саул (2015). «Новизна и разнообразие рекомендательных систем» . В Риччи, Франческо; Рокач, Лиор; Шапира, Браха (ред.). Справочник рекомендательных систем (2-е изд.). Springer США. С. 881–918. DOI : 10.1007 / 978-1-4899-7637-6_26 . ISBN 978-1-4899-7637-6.
  85. ^ Joeran Beel; Стефан Лангер; Марсель Гензмехр; Андреас Нюрнбергер (сентябрь 2013 г.). «Настойчивость в рекомендательных системах: многократное предоставление одних и тех же рекомендаций одним и тем же пользователям» (PDF) . В Тронд-Ольберге; Милена Добрева; Христос Папатеодору; Яннис Цаконас; Чарльз Фарруджа (ред.). Материалы 17-й Международной конференции по теории и практике электронных библиотек (TPDL 2013) . Конспект лекций по информатике (LNCS). 8092 . Springer. С. 390–394 . Проверено 1 ноября 2013 года .
  86. ^ Cosley Д., Lam, SK, Альберт, И., Констан, JA, Ридл, {J}. (2003). «Видишь, веришь ?: как интерфейсы рекомендательной системы влияют на мнение пользователей» (PDF) . Материалы конференции SIGCHI «Человеческий фактор в вычислительных системах» . С. 585–592. S2CID 8307833 .  CS1 maint: несколько имен: список авторов ( ссылка )
  87. ^ {P} u, {P}., {C} курица, {L}., {H} u, {R}. (2012). «Оценка рекомендательных систем с точки зрения пользователя: обзор современного состояния» (PDF) . Пользовательское моделирование и взаимодействие с пользователем : 1–39. CS1 maint: несколько имен: список авторов ( ссылка )
  88. ^ Naren Ramakrishnan; Бенджамин Дж. Келлер; Батул Дж. Мирза; Анант Й. Грама; Джордж Карипис (2001). Риски конфиденциальности в рекомендательных системах . IEEE Internet Computing . 5 . Пискатауэй, Нью-Джерси: Департамент образовательной деятельности IEEE . С.  54–62 . CiteSeerX 10.1.1.2.2932 . DOI : 10.1109 / 4236.968832 . ISBN  978-1-58113-561-9.
  89. ^ Joeran Beel; Стефан Лангер; Андреас Нюрнбергер; Марсель Гензмехр (сентябрь 2013 г.). «Влияние демографии (возраста и пола) и других характеристик пользователей на оценку рекомендательных систем» (PDF) . В Тронд-Ольберге; Милена Добрева; Христос Папатеодору; Яннис Цаконас; Чарльз Фарруджа (ред.). Материалы 17-й Международной конференции по теории и практике электронных библиотек (TPDL 2013) . Springer. С. 400–404 . Проверено 1 ноября 2013 года .
  90. ^ {K} onstan, {J}. {A}., {R} iedl, {J}. (2012). «Рекомендательные системы: от алгоритмов до пользовательского опыта» (PDF) . Пользовательское моделирование и взаимодействие с пользователем . 22 (1-2): 1-23. DOI : 10.1007 / s11257-011-9112-х . S2CID 8996665 .  CS1 maint: несколько имен: список авторов ( ссылка )
  91. ^ {R} icci, {F}., {R} okach, {L}., {S} hapira, {B}., {K} antor {B}. {П}. (2011). «Справочник рекомендательных систем». Справочник рекомендательных систем : 1–35. Bibcode : 2011rsh..book ..... R .CS1 maint: несколько имен: список авторов ( ссылка )
  92. ^ Ошибка цитирования: указанная ссылкаCastells2015была вызвана, но не была определена (см. Страницу справки ).
  93. ^ Монтанер, Микель, Ло Пез, Беатрис, де ла Роса, Хосеп Лью (2002). «Развитие доверия к рекомендательным агентам» . Труды первой международной совместной конференции по автономным агентам и мультиагентным системам: часть 1 . С. 304–305.CS1 maint: несколько имен: список авторов ( ссылка )
  94. ^ Beel, Joeran, Langer, Стефан, Genzmehr, Марсель (сентябрь 2013). «Рекламные и органические (исследовательские работы) рекомендации и влияние маркировки» (PDF) . В Тронд-Ольберге; Милена Добрева; Христос Папатеодору; Яннис Цаконас; Чарльз Фарруджа (ред.). Материалы 17-й Международной конференции по теории и практике электронных библиотек (TPDL 2013) . С. 395–399 . Проверено 2 декабря 2013 года . CS1 maint: несколько имен: список авторов ( ссылка )
  95. ^ Феррари Дакрема, Маурицио; Боглио, Симона; Кремонези, Паоло; Яннах, Дитмар (8 января 2021 г.). «Тревожный анализ воспроизводимости и прогресса в исследовании рекомендательных систем» . ACM-транзакции в информационных системах . 39 (2): 1–49. arXiv : 1911.07698 . DOI : 10.1145 / 3434185 .
  96. ^ Феррари Дакрема, Маурицио; Кремонези, Паоло; Яннах, Дитмар (2019). «Действительно ли мы делаем большой прогресс? Тревожный анализ недавних подходов к нейронным рекомендациям» . Материалы 13-й конференции ACM по рекомендательным системам . ACM: 101–109. arXiv : 1907.06902 . DOI : 10.1145 / 3298689.3347058 . hdl : 11311/1108996 . ISBN 9781450362436. S2CID  196831663 . Дата обращения 16 октября 2019 .
  97. ^ Рендл, Штеффен; Кричене, Валид; Чжан, Ли; Андерсон, Джон (22 сентября 2020 г.). «Нейронная совместная фильтрация против матричной факторизации снова» . Четырнадцатая конференция ACM по рекомендательным системам : 240–248. DOI : 10.1145 / 3383313.3412488 .
  98. ^ Людвиг, Мальте; Мауро, Ноэми; Латифи, Сара; Яннах, Дитмар (2019). «Сравнение производительности нейронных и ненейронных подходов к рекомендации на основе сеанса» . Материалы 13-й конференции ACM по рекомендательным системам . ACM: 462–466. DOI : 10.1145 / 3298689.3347041 . ISBN 9781450362436. Дата обращения 16 октября 2019 .
  99. ^ Сунь, Чжу; Ю, Ди; Фанг, Хуэй; Ян, Цзе; Цюй, Синхуа; Чжан, Цзе; Гэн, Конг. «Тщательно ли мы оцениваем? Рекомендации по сравнительному анализу для воспроизводимой оценки и справедливого сравнения» . RecSys '20: Четырнадцатая конференция ACM по рекомендательным системам . ACM.
  100. ^ Ив Раймонд, Джастин Базилико Глубокое обучение для рекомендательных систем , Deep Learning Re-Work SF Summit 2018
  101. ^ Экстранд, Майкл Д .; Людвиг, Майкл; Констан, Джозеф А .; Ридл, Джон Т. (01.01.2011). Переосмысление экосистемы рекомендательных исследований: воспроизводимость, открытость и LensKit . Труды пятой конференции ACM по рекомендательным системам . RecSys '11. Нью-Йорк, Нью-Йорк, США: ACM. С. 133–140. DOI : 10.1145 / 2043932.2043958 . ISBN 9781450306836. S2CID  2215419 .
  102. ^ Констан, Джозеф А .; Адомавичюс, Гедиминас (01.01.2013). На пути к выявлению и внедрению передового опыта в исследовании систем алгоритмических рекомендаций . Труды международного семинара по воспроизводимости и репликации в оценке рекомендательных систем . RepSys '13. Нью-Йорк, Нью-Йорк, США: ACM. С. 23–28. DOI : 10.1145 / 2532508.2532513 . ISBN 9781450324656. S2CID  333956 .
  103. ^ a b Брайтингер, Коринна; Лангер, Стефан; Ломматч, Андреас; Гипп, Бела (12 марта 2016 г.). «На пути к воспроизводимости в исследованиях рекомендательных систем» . Пользовательское моделирование и взаимодействие с пользователем . 26 (1): 69–101. DOI : 10.1007 / s11257-016-9174-х . ISSN 0924-1868 . S2CID 388764 .  
  104. ^ Саид, Алан; Беллогин, Алехандро (2014-10-01). Сравнительная оценка рекомендательной системы: сравнительный анализ рекомендаций . Материалы 8-й конференции ACM по рекомендательным системам . RecSys '14. Нью-Йорк, Нью-Йорк, США: ACM. С. 129–136. DOI : 10.1145 / 2645710.2645746 . hdl : 10486/665450 . ISBN 9781450326681. S2CID  15665277 .

Дальнейшее чтение [ править ]

Книги

Ким Фальк (январь 2019 г.), Практические рекомендательные системы, Manning Publications, ISBN 9781617292705 

  • Бхарат Бхаскер; К. Шрикумар (2010). Рекомендательные системы в электронной коммерции . ЧАШКА. ISBN 978-0-07-068067-8. Архивировано из оригинала на 2010-09-01.
  • Франческо Риччи; Лиор Рокач; Браха Шапира; Пол Б. Кантор, ред. (2011). Справочник рекомендательных систем . Springer. ISBN 978-0-387-85819-7.
  • Браха Шапира; Лиор Рокач (июнь 2012 г.). Построение эффективных рекомендательных систем . ISBN 978-1-4419-0047-0. Архивировано из оригинала на 2014-05-01.
  • Дитмар Яннах; Маркус Занкер; Александр Фельферниг; Герхард Фридрих (2010). Рекомендательные системы: введение . ЧАШКА. ISBN 978-0-521-49336-9. Архивировано из оригинала на 2015-08-31.
Научные статьи
  • Прем Мелвилл, Раймонд Дж. Муни и Рамадасс Нагараджан. (2002) Совместная фильтрация с усилением содержимого для улучшения рекомендаций. Материалы восемнадцатой национальной конференции по искусственному интеллекту (AAAI-2002), стр. 187–192, Эдмонтон, Канада, июль 2002 г.
  • Фрэнк Мейер. (2012), Рекомендательные системы в промышленных условиях. Электронные распечатки ArXiv.
  • Бунефуф, Джаллель (2012), «Следуя интересам пользователя в мобильных контекстно-зависимых рекомендательных системах: гибридно-жадный алгоритм», Труды 26-й Международной конференции 2012 года по расширенным информационным сетям и семинарам по приложениям (PDF) , лекции в Компьютерные науки, IEEE Computer Society, стр. 657–662, ISBN. 978-0-7695-4652-0, архивировано из оригинального (PDF) 14 мая 2014 г.. [ мертвая ссылка ]
  • Бунефуф, Джаллель (2013), DRARS, Система динамических рекомендаций с учетом рисков (доктор философии), Национальный институт телекоммуникаций.

Внешние ссылки [ править ]

  • Роберт М. Белл; Джим Беннетт; Иегуда Корен и Крис Волински (май 2009 г.). «Премия за программирование в миллион долларов» . IEEE Spectrum . Архивировано из оригинала на 2009-05-11 . Проверено 10 декабря 2018 .
  • Хангартнер, Рик, "Что такое рекомендательная индустрия?" , MSearchGroove, 17 декабря 2007 г.
  • Конференция ACM по рекомендательным системам
  • Группа компаний Recsys в Миланском политехническом университете
  • Наука о данных: данные к пониманию от MIT (системы рекомендаций)