ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ПОБУДОВИ ПОЯСНЕНЬ З УРАХУВАННЯМ ТЕМПОРАЛЬНИХ ЗМІН У ВИМОГАХ КОРИСТУВАЧІВ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ
Ключові слова:
рекомендаційні системи, пояснення, формування рекомендацій, формування пояснень, критерії оцінки пояснень, темпоральні правила
Анотація
Предметом вивчення в статті є процеси формування пояснень для персоналізованих рекомендацій щодо вибору товарів та послуг в рекомендаційних системах. Метою є розробка інформаційної технології побудови деталізованих пояснень щодо запропонованого персонального переліку предметів в рекомендаційній системі з урахуванням темпоральних змін у вимогах споживачів для підвищення ефективності продажів товарів та послуг в системах електронної комерції. Завдання: розробка підходу до побудови темпоральних правил для формування пояснення на основі порівняння кількості продажів на послідовності інтервалів часу; розробка технології побудови темпорально-орієнтованих пояснень щодо рекомендацій з вибору предметів в рекомендаційних системах. Використовуваними підходами є: підходи до побудови пояснень щодо рекомендацій з урахуванням змін уподобань користувачів з часом. Отримані наступні результати. Розроблено підхід до побудови темпоральних правил, що визначають темпоральну динаміку вподобань користувачів рекомендаційної системи. З використанням темпоральних правил розроблено технологію побудови та деталізації пояснень, що враховують зміни вимог користувачів з часом. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано інформаційну технологію побудови деталізованих пояснень щодо рекомендацій з урахуванням змін вимог користувачів з часом. Технологія використовує моделі темпоральних правил та темпоральну модель інтерфейсу пояснень. Технологія передбачає послідовну побудову базових пояснень з урахуванням темпоральної динаміки вподобань користувачів, подальшу деталізацію пояснень по інтервалам часу на основі узгодження темпоральних знань, а також формування інтерфейсу деталізованих пояснень з відображенням базових змін уподобань користувачів та альтернативних змін на визначених інтервалах часу. У практичному плані технологія орієнтована на підвищення довіри споживача до отриманої рекомендації на основі відображення збільшення попиту на рекомендовані товари. Використання технології забезпечує формування для користувача раціонального підтвердження рекомендації у вигляді комбінації кількісних та якісних показників, що сприяє збільшенню продажів у відповідній системі електронної комерціїЗавантаження
Дані про завантаження поки що недоступні.
Посилання
1. Izquierdo-Castillo, J. (2015). The new media business concept led by Netflix: A study of the model and its projection into the Spanish market. El Profesional de la Informacion, 24 (6), 819-826. 24. 819. doi: 10.3145/epi.2015.nov.14. Available at: https://recyt.fecyt.es/index.php/EPI/article/view/epi.2015.nov.14.
2. Fararni K., Aghoutane B., Riffi J., Abdelouahed S. (2020). Comparative Study on Approaches of Recommendation Systems. Embedded Systems and Artificial Intelligence, 753-764. doi: 10.23919/AEIT.2018.8577311. Available at: https://www.researchgate.net/publication/340497029_Comparative_Study_on_Approaches_of_Recommendation_System
3. Chalyi, S., Leshchynskyi, V., 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, 4, 34–40. doi: https://doi.org/10.21303/2461-4262.2019.00952 . Available at: http://eu-jr.eu/engineering/article/view/952/934.
4. Chala, O., Novikova, L., Chernyshova, L. (2019). Method for detecting shilling attacks in e-commerce systems using weighted temporal rules. EUREKA: Physics and Engineering, 5, 29-36. doi: 10.21303/2461-4262.2019.00983 http://eu-jr.eu/engineering/article/view/983/966. Available at: http://eu-jr.eu/engineering/article/view/983/966.
5. Lops P., Jannach D., Musto C., Bogers T., Koolen M. (2019). Trends in content-based recommendation. User Modeling and User-Adapted Interaction, 29, 239–249. doi: https://doi.org/10.1007/s11257-019-09231-w. Available at: https://link.springer.com/article/10.1007/s11257-019-09231-w.
6. Tsai C., Brusilovsky P. (2019). Explaining recommendations in an interactive hybrid social recommender. Proceedings of the 24th International Conference on Intelligent User Interfaces (IUI '19), 391-396. doi: 10.1145/3301275.3302318. Available at: https://dl.acm.org/doi/abs/10.1145/3301275.3302318.
7. Dominguez V., Messina P., Donoso-Guzmán I., Parra D. (2019). The effect of explanations and algorithmic accuracy on visual recommender systems of artistic images. Proceedings of the 24th International Conference on Intelligent User Interfaces (IUI '19), 408-416. doi: https://doi.org/10.1145/3301275.3302274. Available at: https://dl.acm.org/doi/abs/10.1145/3301275.3302274.
8. Rana, K. Jain, C.S. (2015). A study of the dynamic features of recommender systems. Artificial Intelligence Review, 43(1), 141-153. doi: https://doi.org/10.1007/s10462-012-9359-6. Available at: https://link.springer.com/article/10.1007/s10462-012-9359-6.
9. Zhou X., Sun Z., Guo G., Liu Y. (2020). Modelling Temporal Dynamics and Repeated Behaviors for Recommendation. 24th Pacific-Asia Conference Advances in Knowledge Discovery and Data Mining (PAKDD 2020), 12084, 181-193. doi: 10.1007/978-3-030-47426-3_15. Available at: https://link.springer.com/content/pdf/10.1007%2F978-3-030-47426-3_15.pdf
10. Liu D., Chen K., Chou Y., Lee J. (2018). Online Recommendations based on Dynamic Adjustment of Recommendation Lists. Knowledge-Based Systems, 161, 375-389. doi: 10.1016/j.knosys.2018.07.038. Available at: https://www.sciencedirect.com/science/article/abs/pii/S0950705118303915.
11. Cunningham, P., Doyle, D., Loughrey, J. (2003) An Evaluation of the Usefulness of Case-Based Reasoning Explanation. In: Case-Based Reasoning Research and Development:Proceedings ICCBR. Number 2689 in LNAI, Trondheim, Springer, pp. 122–130.
12. Cleger S., Fernndez-Luna J., F Huete J. (2014). Learning from explanations in recommender systems. Information Sciences. Information Sciences, 287, pp.90–108. .
13. Chalyi S., Leshchynskyi V., Leshchynska I. (2019). Моделювання пояснень щодо рекомендованого переліку об’єктів з урахуванням темпорального аспекту вибору користувача. Системи управління, навігації та зв’язку, 6 (58), 97-101. – doi:https://doi.org/10.26906/SUNZ.2019.6.097.
14. Chalyi, S., Leshchynskyi, V. (2020). Method of constructing explanations for recommender systems based on the temporal dynamics of user preferences. EUREKA: Physics and Engineering, 3, 43-50. doi: 10.21303/2461-4262.2020.001228. Available at: http://journal.eu-jr.eu/engineering/article/view/14.
15. Levykin V., 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, 5/3(95), 16-24. DOI: 10.15587/1729-4061.2018.142664.
16. Chalyi S., Leshchynskyi V., Leshchynska I. (2020). Detailing explanations in the recommender system based on matching temporal knowledge. Eastern-European Journal of Eenterprise Technologies, 4/2 (106), 6-13. DOI: 10.15587/1729-4061.2020.210013
17. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2020). Модель інтерфейсу пояснень з темпоральними параметра- ми в рекомендаційній системі. Системи управління, навігації та зв'язку, 2(60), 105-109. DOI: https://doi.org/10.26906/SUNZ.2020.2.105
18. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Моделювання контексту в рекомендаційних системах. Проблеми інформаційних технологій, 1(023), 21-26.
2. Fararni K., Aghoutane B., Riffi J., Abdelouahed S. (2020). Comparative Study on Approaches of Recommendation Systems. Embedded Systems and Artificial Intelligence, 753-764. doi: 10.23919/AEIT.2018.8577311. Available at: https://www.researchgate.net/publication/340497029_Comparative_Study_on_Approaches_of_Recommendation_System
3. Chalyi, S., Leshchynskyi, V., 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, 4, 34–40. doi: https://doi.org/10.21303/2461-4262.2019.00952 . Available at: http://eu-jr.eu/engineering/article/view/952/934.
4. Chala, O., Novikova, L., Chernyshova, L. (2019). Method for detecting shilling attacks in e-commerce systems using weighted temporal rules. EUREKA: Physics and Engineering, 5, 29-36. doi: 10.21303/2461-4262.2019.00983 http://eu-jr.eu/engineering/article/view/983/966. Available at: http://eu-jr.eu/engineering/article/view/983/966.
5. Lops P., Jannach D., Musto C., Bogers T., Koolen M. (2019). Trends in content-based recommendation. User Modeling and User-Adapted Interaction, 29, 239–249. doi: https://doi.org/10.1007/s11257-019-09231-w. Available at: https://link.springer.com/article/10.1007/s11257-019-09231-w.
6. Tsai C., Brusilovsky P. (2019). Explaining recommendations in an interactive hybrid social recommender. Proceedings of the 24th International Conference on Intelligent User Interfaces (IUI '19), 391-396. doi: 10.1145/3301275.3302318. Available at: https://dl.acm.org/doi/abs/10.1145/3301275.3302318.
7. Dominguez V., Messina P., Donoso-Guzmán I., Parra D. (2019). The effect of explanations and algorithmic accuracy on visual recommender systems of artistic images. Proceedings of the 24th International Conference on Intelligent User Interfaces (IUI '19), 408-416. doi: https://doi.org/10.1145/3301275.3302274. Available at: https://dl.acm.org/doi/abs/10.1145/3301275.3302274.
8. Rana, K. Jain, C.S. (2015). A study of the dynamic features of recommender systems. Artificial Intelligence Review, 43(1), 141-153. doi: https://doi.org/10.1007/s10462-012-9359-6. Available at: https://link.springer.com/article/10.1007/s10462-012-9359-6.
9. Zhou X., Sun Z., Guo G., Liu Y. (2020). Modelling Temporal Dynamics and Repeated Behaviors for Recommendation. 24th Pacific-Asia Conference Advances in Knowledge Discovery and Data Mining (PAKDD 2020), 12084, 181-193. doi: 10.1007/978-3-030-47426-3_15. Available at: https://link.springer.com/content/pdf/10.1007%2F978-3-030-47426-3_15.pdf
10. Liu D., Chen K., Chou Y., Lee J. (2018). Online Recommendations based on Dynamic Adjustment of Recommendation Lists. Knowledge-Based Systems, 161, 375-389. doi: 10.1016/j.knosys.2018.07.038. Available at: https://www.sciencedirect.com/science/article/abs/pii/S0950705118303915.
11. Cunningham, P., Doyle, D., Loughrey, J. (2003) An Evaluation of the Usefulness of Case-Based Reasoning Explanation. In: Case-Based Reasoning Research and Development:Proceedings ICCBR. Number 2689 in LNAI, Trondheim, Springer, pp. 122–130.
12. Cleger S., Fernndez-Luna J., F Huete J. (2014). Learning from explanations in recommender systems. Information Sciences. Information Sciences, 287, pp.90–108. .
13. Chalyi S., Leshchynskyi V., Leshchynska I. (2019). Моделювання пояснень щодо рекомендованого переліку об’єктів з урахуванням темпорального аспекту вибору користувача. Системи управління, навігації та зв’язку, 6 (58), 97-101. – doi:https://doi.org/10.26906/SUNZ.2019.6.097.
14. Chalyi, S., Leshchynskyi, V. (2020). Method of constructing explanations for recommender systems based on the temporal dynamics of user preferences. EUREKA: Physics and Engineering, 3, 43-50. doi: 10.21303/2461-4262.2020.001228. Available at: http://journal.eu-jr.eu/engineering/article/view/14.
15. Levykin V., 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, 5/3(95), 16-24. DOI: 10.15587/1729-4061.2018.142664.
16. Chalyi S., Leshchynskyi V., Leshchynska I. (2020). Detailing explanations in the recommender system based on matching temporal knowledge. Eastern-European Journal of Eenterprise Technologies, 4/2 (106), 6-13. DOI: 10.15587/1729-4061.2020.210013
17. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2020). Модель інтерфейсу пояснень з темпоральними параметра- ми в рекомендаційній системі. Системи управління, навігації та зв'язку, 2(60), 105-109. DOI: https://doi.org/10.26906/SUNZ.2020.2.105
18. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Моделювання контексту в рекомендаційних системах. Проблеми інформаційних технологій, 1(023), 21-26.
Опубліковано
2020-09-11
Як цитувати
Chalyi S. Інформаційна технологія побудови пояснень з урахуванням темпоральних змін у вимогах користувачів рекомендаційної системи / S. Chalyi, V. Leshchynskyi, I. Leshchynska // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2020. – Т. 3 (61). – С. 99-103. – doi:https://doi.org/10.26906/SUNZ.2020.3.099.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
