МОДЕЛЬ ІНТЕРФЕЙСУ ПОЯСНЕНЬ З ТЕМПОРАЛЬНИМИ ПАРАМЕТРАМИ В РЕКОМЕНДАЦІЙНІЙ СИСТЕМІ
DOI:
https://doi.org/10.26906/SUNZ.2020.2.105Ключові слова:
рекомендаційні системи, пояснення, формування рекомендацій, формування пояснень, крите- рії оцінки пояснень, темпоральні правилаАнотація
Предметом вивчення в статті є процеси представлення пояснень для персоналізованих пропозицій в рекомендаційних системах. Метою є розробка моделі інтерфейсу пояснень до рекомендацій, що враховує зміни інтересів користувачів з часом. Завдання: визначення елементів темпорально-орієнтованого інтерфейсу пояснень для рекомендацій на основі структуризації існуючих підходів до представлення пояснень; розробка моделі інтерфейсу пояснення, що враховує темпоральну динаміку вимог користувача. Використовуваними підходами є: підходи до побудови рекомендацій на основі схожості вибору користувачів та предметів користувацького попиту. Отримані наступні результати. Сформульовано вимоги до інтерфейсу пояснень з темпоральними характеристиками. З урахуванням запропонованих вимог визначено структурні елементи представлення пояснень, що дають кількісну та якісну оцінку рекомендацій. Запропоновано модель інтерфейсу для представлення пояснень в рекомендаційній системі з урахуванням змін інтересів споживачів у часі. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано модель візуального інтерфейсу для представлення пояснень в рекомендаційній системі з урахуванням темпоральної динаміки вподобань користувачів. Модель містить у собі групи візуальних та інтерактивних елементів. Візуальні компоненти відображають кількісні та якісні показники для поточного рекомендованого предмету, що показують динаміку продажів або рейтингів по інтервалам в рамках заданого періоду часу, а також сумарні зміни за цей період. Інтерактивні компоненти інтерфейсу дають можливість користувачеві визначити період часу для побудови пояснень, а також ступінь деталізації у часі темпоральних характеристик пояснення. Практична перевага запропонованої моделі полягає в тому, що сукупність статичних і динамічних показників, а також можливість коригування темпоральних параметрів дозволяють задовільнити критеріям прозорості, довіри, результативності та переконливості щодо пояснень до рекомендацій і, тим самим, створюють умови для підвищення кількості лояльних споживачів та відповідного збільшення продажів рекомендованих предметівЗавантаження
Посилання
Melville P., Sindhwani V. (2013). Recommender systems. In Encyclopedia of machine learning. Springer, pp.829–838.
Emre S., Sevgi O. (2013). A systematic literature review on Health Recommender Systems. E-Health and Bioengineering Conference, EHB 2013, pp. 1-4.
Gigli A., Lillo F., Regoli D. (2019). Recommender Systems for Banking and Financial Services. Proceedings of the 13th ACM Conference on Recommender Systems, pp. 536–537.
Eirinaki M., Gao J, Varlamis J., Tserpes K. (2018). Recommender Systems for Large-Scale Social Networks: A review of challenges and solutions. Future Generation Computer Systems. 78, pp. 413-418.
Del-Rio F., Parra D., Kuzmicic J., 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).
Kim J., Lee J., Park J. Lee Y. (2009). Design of Diet Recommendation System for Healthcare Service Based on User Information. Fourth International Conference. Computer Sciences and Convergence Information.
Jeroen Van Barneveld J., Van Setten M. (2004). Designing usable interfaces for TV recommender systems. Personalized Digital Television, pp.259-285.
Daher J, Brun A., Boyer A. A. (2017). Review on Explanations in Recommender Systems. Technical Report. LORIA Université de Lorraine, 26 p.
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.
Cleger S., Fernбndez-Luna J., F Huete J. (2014). Learning from explanations in recommender systems. Information Sciences. Information Sciences, 287, pp.90–108.
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:10.21303/24614262.2019.00952.
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.
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.
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, 801-810.
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.
Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Моделювання контексту в рекомендаційних системах. Проблеми інформаційних технологій, 1(023), 21-26.
