МОДЕЛЮВАННЯ ПОЯСНЕНЬ ЩОДО РЕКОМЕНДОВАНОГО ПЕРЕЛІКУ ОБ’ЄКТІВ З УРАХУВАННЯМ ТЕМПОРАЛЬНОГО АСПЕКТУ ВИБОРУ КОРИСТУВАЧА
Ключові слова:
рекомендаційні системи, системи електронної комерції, пояснення, формування рекомендацій, формування пояснень, критерії оцінки пояснень, темпоральні залежності
Анотація
Предметом вивчення в статті є процеси формування пояснень щодо рекомендованого переліку товарів та послуг в рекомендаційних системах. Метою є розробка моделей пояснення щодо рекомендованого переліку товарів та послуг з урахуванням зміни інтересів користувачів у часів. Завдання: обґрунтувати вибір критеріїв для оцінки пояснень; розробити узагальнену модель пояснення, що враховує довіру користувача, а також зміни у продажах товарів та послуг. Використовуваними підходами є: підходи до побудови рекомендацій на основі схожості вибору користувачів, а також характеристик об'єктів користувацького вибору. Отримані наступні результати. Проведено порівняльний аналіз критеріїв оцінки пояснень та обґрунтовано вибір критеріїв довіри та результативності як ключових для моделювання пояснень з урахуванням темпорального аспекту вибору користувача. Запропоновано моделі представлення пояснень у вигляді числового показника, значення якого характеризує зміну продажів протягом визначеного періоду часу, а знак пояснення визначає напрямок цих змін – збільшення або зменшення. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано модель пояснення для рекомендацій. Пояснення представлено числовим показником, що враховує зміни продаж на товарів та послуг між інтервалами деталізації часу для визначеного періоду часу. Пояснення враховує зміни продажів вибраного товару на послідовних інтервалах часу для заданого рівня його деталізації, а також зміни продажів для всіх інтервалів у вибраному періоді часу у порівнянні з поточним інтервалом. Запропоноване числове представлення пояснення дає можливість задовільнити одночасно критерії довіри та результативності пояснень: знак показника відповідає критерію довіри, а абсолютне значення з урахуванням знаку дає можливість оцінити результативність роботи рекомендаційної системи. В практичному аспекті представлене пояснення дає можливість обґрунтувати сформовану рекомендацію навіть у випадку шилінг-атак та у ситуації холодного старту рекомендаційної системи, оскільки в якості вхідних даних для його побудови використовується об’єктивна інформація про покупки вибраного товару для заданого періоду часуЗавантаження
Дані про завантаження поки що недоступні.
Посилання
1. Ricci F., Rokach L., Shapira B. (2015). Recommender systems. Handbook, 1008 p.
2. C. Aggarwal (2017) Recommender Systems: The Textbook, New York: Springer, 498 p.
3. Linden G., Smith B. and York J. (2003), “Amazon.com recommendations: Item-to-item collaborative filtering”, Internet Computing, IEEE 7, 1, pp. 76–80.
4. Saga, R., Hayashi, Y., and Tsuji, H. (2008), Hotel Recommender System based on User’s Preference Transition, IEEE International Conference on Systems, Man and Cybernetics (IEEE/SMC 2008), 2437- 442.
5. Lika B., Kolomvatsos K., Hadjiefthymiades S. (2014). Facing the cold start problem in recommender systems. Expert Systems with Applications, Vol. 41(4), pp. 2065-2073.
6. Bernardi L. et al. (2015)/ The Continuous cold start problem in e-commerce recommender systems. The Computing Research Repository (CoRR) in arXiv, Vol. 1508.01177, pp. 1-6.
7. Chalyi S., Leshchynskyi V., Leshchynska I. (2019). Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommendation system. EUREKA: Physics and Engineering, 4, 34-40 DOI:10.21303/2461-4262.2019.00952.
8. I. Shilling “Attack detection for recommender systems based on credibility of group users and rating time series”, https://doi.org/10.1371/journal.pone.0196533 [Published: May 9, 2018].
9. 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.
10. Cleger-Tamayo, J. M. Fernandez-Luna, J. F Huete (2012) “Explaining neighborhood-based recommendations”, in the 35th International ACM SIGIR conference on Research and development in information retrieval, ACM, 2012, pp. 1063–1064.
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. N Tintarev, J Masthoff (2007). A Survey of Explanations in Recommender Systems. In G Uchyigit (ed), Workshop on Recommender Systems and Intelligent User Interfaces associated with ICDE’07, pp. 801-810.
13. Tintarev N., Masthoff J. (2010) Designing and evaluating explanations for recommender systems, in Ricci, F. Rokach, L. Shapira, B. and Kantor, P. (Eds.), Recommender systems handbook, Springer, Dordrecht, 479–510.
14. N. Tintarev, J. Masthoff “Evaluating the effectiveness of explanations for recommender systems”, in User Modeling and User-Adapted Interaction, 2012, No 22(4), pp.399–439.
15. Levykin V., Chala O. (2018). Development of a method of probabilistic inference of sequences of business process activities to support business process management. Eastern-European Journal of Enterprise Technologies, 5/3(95), 16-24. DOI: 10.15587/1729-4061.2018.142664.
16. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Моделювання контексту в рекомендаційних системах. Проблеми інформаційних технологій, 1(023), 21-26.
17. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Інтеграція локальних контекстів споживачів в рекомендаційних системах на основі відношень еквівалентності, схожості та сумісності. Process mining Materials of the VII International Scientific Conference «Information-Сontrol System and Technologies»,142-144.
2. C. Aggarwal (2017) Recommender Systems: The Textbook, New York: Springer, 498 p.
3. Linden G., Smith B. and York J. (2003), “Amazon.com recommendations: Item-to-item collaborative filtering”, Internet Computing, IEEE 7, 1, pp. 76–80.
4. Saga, R., Hayashi, Y., and Tsuji, H. (2008), Hotel Recommender System based on User’s Preference Transition, IEEE International Conference on Systems, Man and Cybernetics (IEEE/SMC 2008), 2437- 442.
5. Lika B., Kolomvatsos K., Hadjiefthymiades S. (2014). Facing the cold start problem in recommender systems. Expert Systems with Applications, Vol. 41(4), pp. 2065-2073.
6. Bernardi L. et al. (2015)/ The Continuous cold start problem in e-commerce recommender systems. The Computing Research Repository (CoRR) in arXiv, Vol. 1508.01177, pp. 1-6.
7. Chalyi S., Leshchynskyi V., Leshchynska I. (2019). Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommendation system. EUREKA: Physics and Engineering, 4, 34-40 DOI:10.21303/2461-4262.2019.00952.
8. I. Shilling “Attack detection for recommender systems based on credibility of group users and rating time series”, https://doi.org/10.1371/journal.pone.0196533 [Published: May 9, 2018].
9. 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.
10. Cleger-Tamayo, J. M. Fernandez-Luna, J. F Huete (2012) “Explaining neighborhood-based recommendations”, in the 35th International ACM SIGIR conference on Research and development in information retrieval, ACM, 2012, pp. 1063–1064.
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. N Tintarev, J Masthoff (2007). A Survey of Explanations in Recommender Systems. In G Uchyigit (ed), Workshop on Recommender Systems and Intelligent User Interfaces associated with ICDE’07, pp. 801-810.
13. Tintarev N., Masthoff J. (2010) Designing and evaluating explanations for recommender systems, in Ricci, F. Rokach, L. Shapira, B. and Kantor, P. (Eds.), Recommender systems handbook, Springer, Dordrecht, 479–510.
14. N. Tintarev, J. Masthoff “Evaluating the effectiveness of explanations for recommender systems”, in User Modeling and User-Adapted Interaction, 2012, No 22(4), pp.399–439.
15. Levykin V., Chala O. (2018). Development of a method of probabilistic inference of sequences of business process activities to support business process management. Eastern-European Journal of Enterprise Technologies, 5/3(95), 16-24. DOI: 10.15587/1729-4061.2018.142664.
16. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Моделювання контексту в рекомендаційних системах. Проблеми інформаційних технологій, 1(023), 21-26.
17. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Інтеграція локальних контекстів споживачів в рекомендаційних системах на основі відношень еквівалентності, схожості та сумісності. Process mining Materials of the VII International Scientific Conference «Information-Сontrol System and Technologies»,142-144.
Опубліковано
2019-12-28
Як цитувати
Chalyi S. Моделювання пояснень щодо рекомендованого переліку об’єктів з урахуванням темпорального аспекту вибору користувача / S. Chalyi, V. Leshchynskyi, I. Leshchynska // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2019. – Т. 6 (58). – С. 97-101. – doi:https://doi.org/10.26906/SUNZ.2019.6.097.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
