DOI: https://doi.org/10.20998/2522-9052.2020.2.25

Багаторівнева персоналізація пояснень в рекомендаційних системах

Serhii Chalyi, Volodymyr Leshchynskyi, Irina Leshchynska

Анотація


Предметом вивчення в статті є процеси побудови персоналізованого переліку предметів в рекомендаційних системах. Метою є розробка узагальненого формального опису багаторівневого представлення пояснень в рекомендаційних системах для персоналізації таких пояснень з урахуванням особливостей використання рекомендованих предметів. Даний опис задає формальні рамки для побудови багаторівневої моделі пояснення з урахуванням статичних та динамічних характеристик предметної області. Завдання: структуризація багаторівневого представлення пояснень у рекомендаційних системах з урахуванням відмінностей у можливостях персоналізації витлумачень за допомогою даних та знань; розробка формального представлення пояснень на рівнях даних, інформації, знань та мета-знань з урахуванням зв'язків між цими рівнями. Використовуваними підходами є: підходи до побудови пояснень на основі схожості інтересів користувачів та властивостей предметів користувацького попиту. Отримані наступні результати. Виконано структуризацію рівнів опису пояснення з урахуванням знань щодо контексту вибору споживача. Запропоновано формальний опис багаторівневого представлення пояснень у рекомендаційних системах. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано формальний опис пояснень рекомендованого персонального переліку предметів у вигляді ієрархії рівнів даних, інформації, знань і мета-знань про поведінку користувача і характеристики предметів. На рівні даних міститься опис змінних і їх значень з урахуванням моменту часу появи цих значень. Інформація на наступному рівні представлена відносинами між окремими фактами. Знання представлені причинно-наслідковими або темпоральними пояснюючими правилами, які узагальнюють відношення інформаційного рівня для підмножин фактів. Мета-знання задають ключові закономірності, що обумовлюють переваги і актуальність пропонованого вибору для користувача рекомендаційної системи. У практичному аспекті запропонована формалізація визначає типову послідовність побудови і персоналізації багаторівневих пояснень щодо рекомендацій з урахуванням особливостей предметної області.


Ключові слова


рекомендаційні системи; представлення знань; рекомендації; формування пояснень; знання; мета знання; темпоральні правила

Повний текст:

PDF (English)

Посилання


Aggarwal, C. C. (2017), Recommender Systems: The Textbook, Springer, New York, 498 p.

Gigli, A., Lillo, F. and Regoli, D. (2019), “Recommender Systems for Banking and Financial Services”, Proceedings of the 13th ACM Conference on Recommender Systems, pp. 536–537.

Emre, S. and Sevgi, O. (2013), “A systematic literature review on Health Recommender Systems”, E-Health and Bioengineering Conference, EHB, pp. 1-4.

Del-Rio, F., Parra, D., Kuzmicic J. and Svec, E. (2017), “Towards a Recommender System for Undergraduate Research”, Proceedings of the Poster Track of the 11th ACM Conference on Recommender Systems (RecSys 2017).

Ricci, F., Rokach, L., Shapira, B. and Kantor, P. (2011), Recommender systems handbook, Springer, New York, 842 p.

Linden, G., Smith, B. and York, J. (2003), “Amazon.com recommendations: Item-to-item collaborative filtering”, Internet Computing, IEEE, vol. 7, no. 1, pp. 76–80.

Jeroen, Van Barneveld J. and Van Setten, M. (2004), “Designing usable interfaces for TV recommender systems”, Personalized Digital Television, pp.259-285.

Tintarev, N. and Masthoff, J. (2007), “A Survey of Explanations in Recommender Systems/ N. Tintarev”, G Uchyigit (ed), Workshop on Recommender Systems and Intelligent User Interfaces associated with ICDE’07, pp. 801-810.

Tintarev, N. and Masthoff, J. (2012), “Evaluating the effectiveness of explanations for recommender systems”, User Modeling and User-Adapted Interaction, No. 22(4), pp. 399–439.

Cunningham, P., Doyle, D. and Loughrey, J. (2003), “An Evaluation of the Usefulness of Case-Based Reasoning Explanation”, Case-Based Reasoning Research and Development: Proceedings ICCBR, Number 2689 in LNAI, Trondheim, Springer, pp. 122–130.

Chalyi, S., Leshchynskyi, V. and Leshchynska, I. (2019), “Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommender system”, EUREKA: Physics and Engineering, Vol. 4, pp. 34-40, DOI: https://doi.org/10.21303/2461-4262.2019.00952.

Chalyi, S., Leshchynskyi, V. and Leshchynska, I. (2019), “Modeling explanations for the recommended list of items based on the temporal dimension of user choice”, Control, navigation and communication systems, Vol. 6 (58), pp. 97-101, DOI: https://doi.org/10.26906/SUNZ.2019.6.097.

Chalyi, S. and Pribylnova, I. (2019), “The method of constructing recommendations online on the temporal dynamics of user interests using multilayer graph”, EUREKA: Physics and Engineering, Vol. 3, pp.13-19.

Levykin, V. and Chala, O. (2018), “Development of a method for the probabilistic inference of sequences of a business process activities to support the business process management”, Eastern-European Journal of Eenterprise Technologies, Vol. 5/3(95), pp. 16-24, DOI: https://doi.org/10.15587/1729-4061.2018.142664.

Baskarada, S. and Koronios A. (2013), “Data, Information, Knowledge, Wisdom (DIKW): A Semiotic Theoretical and Empirical Exploration of the Hierarchy and its Quality Dimension”, Australasian Journal of Information Systems, Vol. 18.




Copyright (c) 2020 Serhii Chalyi, Volodymyr Leshchynskyi, Irina Leshchynska