АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Рекомендательная система на основе знаний

Рекомендательная система на основе знаний (англ. knowledge-based recommender system, также рекомендатель на основе знаний) — это разновидность рекомендательных систем, основанная на явных знаниях о наборе объектов, предпочтениях пользователя и критериях формирования рекомендаций (то есть, какой объект следует рекомендовать в каком контексте). Такие системы применяются в случаях, когда альтернативные подходы, например, коллаборативная фильтрация или содержательная фильтрация, использовать невозможно[1][2].

Ключевое преимущество рекомендательных систем на основе знаний заключается в отсутствии проблемы холодного старта (долгий разогрев). Главным недостатком этого подхода является возможное возникновение «узкого места» при приобретении знаний, обусловленного необходимостью явного определения знаний о рекомендациях.

Предметные области объектов

Рекомендательные системы на основе знаний хорошо подходят для сложных предметных областей, где объекты приобретаются редко, например, квартиры или автомобили. К другим примерам предметных областей, где востребованы такие системы, относятся финансовые услуги, цифровые фотоаппараты, туристические направления. Системы на основе оценок обычно работают в этих областях менее эффективно из-за ограниченного числа доступных оценок.

Кроме того, в сложных предметных областях пользователи часто хотят явно указывать свои предпочтения (например: «максимальная цена автомобиля — X»). В такой ситуации система должна учитывать ограничения: например, рекомендовать только те финансовые услуги, которые поддерживают указанный пользователем срок инвестирования. Ни одно из этих требований не может быть принято во внимание методами коллаборативной или содержательной фильтрации.

Диалоговые рекомендации

Рекомендательные системы на основе знаний часто реализованы в виде диалоговых систем — требования и предпочтения пользователя уточняются в рамках цикла обратной связи. Основная причина такой диалоговой природы — сложность предметной области, часто не позволяющая пользователю сразу сформулировать все предпочтения. Более того, предпочтения пользователя, как правило, не вполне ясны с самого начала, а формируются в ходе сессии взаимодействия с системой.

Рекомендации на основе поиска

В рекомендательных системах на основе поиска обратная связь пользователя выражается в виде ответов на вопросы, которые сужают набор релевантных объектов. Пример такого вопроса: «Какой тип объектива вы предпочитаете: фиксированный или сменный?». Технически сценарии рекомендаций на основе поиска реализуются посредством ограничительных рекомендательных систем. Ограничительные рекомендательные системы основаны на поиске с учётом ограничений или различных подходах, основанных на конъюнктивных запросах.

Рекомендации на основе навигации

В рекомендательных системах на основе навигации обратная связь пользователя обычно выражается в форме «критик», которые обозначают пожелания по изменению текущего рекомендаемого объекта. Далее критики используются для формирования рекомендации следующего «кандидата» на рекомендацию. Пример критики: «Я хотел бы получить камеру как эта, но дешевле». Это пример «единичной критики», то есть запрос изменения одного атрибута объекта. «Сложные критики» позволяют указать несколько пожеланий одновременно. «Динамическая критика» также учитывает предшествующие критики пользователя (историю критик). В более современных решениях дополнительно анализируются логи интеракций пользователя с системой, чтобы уменьшить количество циклов критикования и снизить общую сложность взаимодействия.

Примечания

  1. ↑ Alexander Felfernig, Klaus Isak, Gerold Kreutler, Thomas Kruggel, Erich Teppan. Knowledge representations for the interactive selling of financial services // Information Systems and e-Business Management. — 2006-09-28. — Т. 5, вып. 2. — С. 143–166. — ISSN 1617-9854 1617-9846, 1617-9854. — doi:10.1007/s10257-006-0042-9.
  2. ↑ Kevin Mccarthy, James Reilly, Barry Smyth, Lorraine Mcginty. Generating Diverse Compound Critiques // Artificial Intelligence Review. — 2005-10-21. — Т. 24, вып. 3—4. — С. 339–357. — ISSN 1573-7462 0269-2821, 1573-7462. — doi:10.1007/s10462-005-9013-7.

Литература

  • R. Burke. Knowledge-based Recommender Systems // Encyclopedia of Library and Information Science. 69(32):180-200, 2000.
  • A. Felfernig, K. Isak, K. Szabo, and P. Zachar. The VITA Financial Services Sales Support Environment // AAAI/IAAI 2007, pp. 1692—1699, Vancouver, Canada, 2007.
  • K. McCarthy, R. Reilly, B. Smyth, and L. McGinty. Generating diverse compound critiques // Artificial Intelligence Review, 24(3-4):339-357, 2005.
  • F. Ricci and Q. Nguyen. Acquiring and revising preferences in a critiquing-based mobile recommender system // IEEE Intelligent Systems, 22(3):22-29, 2007.
  • A. Felfernig and R. Burke. Constraint-based Recommender Systems: Technologies and Research Issues // ACM International Conference on Electronic Commerce (ICEC’08), pp. 17-26, 2008.
  • A. Mackworth. Consistency in networks of relations // Artificial Intelligence, 8(1):99-118, 1977.
  • A. Felfernig, S. Reiterer, M. Stettinger, and M. Jeran. An Overview of Direct Diagnosis and Repair Techniques in the WeeVis Recommendation Environment // International Workshop on Principles of Diagnosis, pp. 1-6, 2014.
  • L. Chen and P. Pu. Critiquing-based recommenders: survey and emerging trends // User Modeling and User-Adapted Interaction Journal (UMUAI), 22(1-2):125-150, 2012.
  • J. Reilly, K. McCarthy, L. McGinty, and B. Smyth. Dynamic Critiquing // ECCBR 2004, pp. 763—777, 2004.
  • M. Mandl and A. Felfernig. Improving the Performance of Unit Critiquing // 20th International Conference on User Modeling, Adaptation, and Personalization (UMAP 2012), pp. 176—187, Montreal, Canada, 2012.
  • K. McCarthy, Y. Salem, and B. Smyth. Experience-Based Critiquing: Reusing Critiquing Experiences to Improve Conversational Recommendation // ICCBR’10, pp. 480—494, 2010.
  • H. Xie, L. Chen, and F. Wang. Collaborative Compound Critiquing // UMAP 2014, pp. 254—265, 2014.
  • L. Chen, M. de Gemmis, A. Felfernig, P. Lops, F. Ricci, and G. Semeraro. Human Decision Making and Recommender Systems // ACM Transactions on Interactive Intelligent Systems, 3(3):17, 2013.
  • Y. Salem, and J. Hong. History-aware critiquing-based conversational recommendation // World Wide Web (WWW 2013), pp. 63-64, 2013.
  • Y. Salem, J. Hong, and W. Liu. History-Guided Conversational Recommendation // World Wide Web (WWW 2014), pp. 999—1004, 2014.
  • Charu C. Aggarwal. Recommender Systems: The Textbook. Springer, ISBN 978-3-319-29657-9, 2016.

Ссылки

Категории