КОНЦЕПЦІЯ ФОРМУВАННЯ ПОЯСНЕНЬ В РЕКОМЕНДАЦІЙНИХ СИСТЕМАХ ЗА ПРИНЦИПОМ БІЛОГО ЯЩИКУ

  • S. Chalyi
  • V. Leshchynskyi
  • I. Leshchynska
Ключові слова: рекомендаційні системи, системи електронної комерції, пояснення, контекст прийняття рішень, формування рекомендацій, формування пояснень

Анотація

Предметом вивчення в статті є процеси формування пояснень в рекомендаційних системах. Метою є розробка концептуальної моделі формування пояснень в рекомендаційних системах за принципом білого ящику з тим, щоб користувач такої системи міг отримати пояснення щодо послідовності формування рекомендацій з урахуванням можливостей рекомендаційної системи. Завдання: виділити базові характеристики пояснень в інтелектуальних системах; розробити концептуальну схему побудови пояснень за структурним принципом; розробити концептуальну модель формування пояснень за принципом білого ящика. Використовуваними принципами є: структурний, або принцип білого ящику та функціональний, або принцип чорного ящику. Отримані наступні результати. Виділено базові характеристики пояснень в інтелектуальних системах, що дає можливість сформувати пояснення при виведенні результату за принципом білого ящику та пояснення для інтерпретації отриманого результату за принципом чорного ящику. Розроблено концептуальну схему побудови пояснень, що зв’язує обмеження й умови вибору користувача із рейтинговим переліком товарів та послуг. Розроблено концептуальну модель формування пояснень за принципом білого ящику. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано концептуальну модель побудови рекомендацій за принципом білого ящику, що враховує структурні обмеження та умови побудови рекомендацій. Обмеження визначаються через категорії та властивості об’єктів, а також через характеристики користувача. Умови задаються через послідовність взаємодії користувача із рекомендаційною системою, а також через результат вибору схожих користувачів. Модель забезпечує можливість формування загальної схеми побудови пояснень. Така схема дає можливість збільшити довіру користувача до отриманих рекомендацій за рахунок відображення послідовності побудови роботи рейтингового переліку товарів рекомендаційною системою.

Завантаження

Дані про завантаження поки що недоступні.

Посилання

1. Adomavicius G. and Tuzhilin A. (2005), “Towards the Next Generation of Recommender Systems” A Survey of the State-ofthe-Art and Possible Extensions, IEEE Transactions on Knowledge and Data Engineering, No. 17, pp. 634–749.
2. C. Aggarwal “Recommender Systems: The Textbook”, New York: Springer, 2017, 498 p.
3. Bennet J. and Lanning S. (2007) “The Netflix Prize”, Proceedings of KDD cup and workshop, available at : http://www.netflixprize.com (last accessed May 28, 2019).
4. Linden G., Smith B. and York J. (2003), “Amazon.com recommendations: Item-to-item collaborative filtering”, Internet Computing, IEEE 7, 1, pp. 76–80.
5. 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- 2442.
6. Jannach D., Gedikli F., Karakaya Z., Juwig O. (2012) Recommending Hotels based on Multi-Dimensional Customer Ratings. In: Fuchs M., Ricci F., Cantoni L. (eds) Inf. and Communication Technologies in Tourism 2012. Springer, Vienna, pp. 320-331.
7. 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].
8. S. Cleger-Tamayo, J. M. Fernandez-Luna, J. F Huete (2012) “Explaining neighborhood-based recommendations”, in The 35th International ACM SIGIR conf. on Research and development in information retrieval, ACM, 2012, pp. 1063–1064.
9. N. Tintarev, J. Masthoff “Evaluating the effectiveness of explanations for recommender systems”, in User Modeling and User-Adapted Interaction, 2012, № 22(4), pp.399–439.
10. 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.
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: Proce. ICCBR. Nu. 2689 in LNAI, Trondheim, Springer, pp. 122–130.
12. Aamodt, A. (1991). A Knowledge-Intensive, Integrated Approach to Problem Solving and Sustained Learning. Ph.D. thesis, Norwegian Institute of Technology,Department of Computer Science, Trondheim, available at http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.141.503&rep=rep1&type=pdf, (last accessed May 28, 2019).
13. Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2018). Моделювання контексту в рекомендаційних системах. Проблеми інформаційних технологій, 1(023), 21-26.
14. 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.
15. Чалый С.Ф., Прібильнова І.Б. (2017). Побудова ситуаційного представлення знань на основі аналізу логів. Вісник НТУ "ХПІ". Серія : Системний аналіз, управління та інформаційні технології, 28(1250), 70-73.
Опубліковано
2019-06-21
Як цитувати
Chalyi S. Концепція формування пояснень в рекомендаційних системах за принципом білого ящику / S. Chalyi, V. Leshchynskyi, I. Leshchynska // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2019. – Т. 3 (55). – С. 156-160. – doi:https://doi.org/10.26906/SUNZ.2019.3.156.
Розділ
Інформаційні технології