Сервис рекомендаций
Рекомендация сервис (английский Recommender System ) представляет собой программное обеспечение системы , которая стремится сделать прогноз , что квантифицирует насколько сильный интерес пользователя находится в объекте для того , чтобы рекомендовать пользователю именно те объекты из множества всех объектов доступны, которые он наверное больше всего интересует. Типичными объектами рекомендательной службы являются, например, товары из интернет-магазина, музыкальные произведения, артисты или фильмы. Сервис рекомендаций призван помочь справиться с перегрузкой информации , рекомендуя пользователю подмножество сбивающего с толку набора объектов. Служба рекомендаций использует методы машинного обучения и поиска информации для определения подходящих рекомендаций .
Основы
Сервисы рекомендаций всегда используются, когда есть большое количество объектов (например, продукты, музыкальные произведения, фильмы, новостные статьи), из которых пользователю следует рекомендовать небольшое подмножество. Обычно цель состоит в том, чтобы облегчить пользователю поиск новых и интересных для него объектов. Цель оператора рекомендательной службы - увеличить продажи (например, при рекомендации продуктов) или увеличить количество посещений или, в целом, увеличить использование его предложения.
Самый простой тип рекомендательной службы определяет дополнительные объекты, похожие на объекты, используемые в данный момент (например, новостные статьи, похожие на те, которые в настоящее время читаются). Большинство рекомендательных сервисов в исследованиях рассматривают пользователя как центральную сущность, для которой должен быть определен персонализированный набор рекомендаций. Для этого фиксируется интерес пользователя к уже использованным объектам. Интерес к объекту количественно оценивается путем оценки пользователя. Оценка может быть сделана явно или неявно. В явном рейтинге пользователя просят оценить объект, например B. нажав от одной до пяти звездочек. Неявное определение рейтинга осуществляется путем анализа поведения пользователей. В простейшем случае это двоичная оценка (использовал / не использовал объект). С помощью этих оценочных данных можно рассчитать сходство между пользователями или изучить математические модели для прогнозирования интересов пользователей.
Дифференциация по базе данных
Услуги по рекомендациям в первую очередь различаются в зависимости от того, какую базу данных они используют для определения суммы рекомендации. Два классических типов рекомендательных услуг являются содержание на основе ( на английском языке на основе контента ) и совместная (английский совместная рекомендация службы). Другие типы рекомендательных услуг включают, например, B. контекст (контекстно-зависимые службы рекомендаций), временной ход (английские системы рекомендаций с учетом времени ) или демографические данные пользователя, а также характеристики объектов.
Сервисы рекомендаций на основе контента
Сервисы рекомендаций на основе контента рекомендуют элементы, похожие на элементы, уже высоко оцененные пользователем. Для этого необходимо уметь определять сходство двух объектов.
Услуги совместной рекомендации
Службы совместных рекомендаций (также известные как совместная фильтрация) рекомендуют объекты, в которых больше всего заинтересованы пользователи со схожим поведением при оценке ( похожие пользователи). Для этого не требуется никаких дополнительных знаний о самом объекте. Сервис рекомендаций включает в себя алгоритм, связанный с пользователем, и алгоритм, основанный на элементах, а также метод на основе модели и метода памяти.
Дифференциация по основному методу прогнозирования
Существуют два основных метода обучения для рекомендательных сервисов: память на основе (английский памяти на основе ; также эвристические, английский эвристических ) и на основе модели (английский модель на основе ) услуг рекомендаций. Сервисы рекомендаций на основе памяти используют все сохраненные оценочные данные для оценки оценки неоцененных комбинаций пользователь-объект с помощью вычисленного сходства между пользователями или объектами. Сервисы рекомендаций на основе моделей используют данные оценки в качестве данных обучения, чтобы использовать методы машинного обучения для изучения математической модели, с помощью которой можно предсказать интерес пользователя к объекту.
Примеры рекомендательных услуг
Хорошо известный механизм рекомендаций - это Amazon.com для рекомендации названий книг и других продуктов. Другой пример - сервис BibTip библиотеки KIT . Тем временем многие немецкие компании используют функцию рекомендаций, в том числе Quelle GmbH (до ее банкротства и прекращения хозяйственной деятельности в 2009 году), Metro AG и Moviepilot .
Научные исследования рекомендательных служб
Крупнейшая международная конференция по рекомендательным услугам ежегодно проводится Ассоциацией вычислительной техники .
Американская компания по прокату DVD-дисков Netflix в 2006 году провела крупнейший научный конкурс в области рекомендательных услуг , на который был выделен 1 миллион долларов США . Победившее решение в 2009 году было предложено конгломератом BellKor's Pragmatic Chaos. Исследователи из компаний commendo Research & Consulting (Австрия), AT&T Research (США), Pragmatic Theory (Канада) и Yahoo! Research (Израиль) одержала победу над 50 000 соревнующихся команд.
Смотри тоже
- Совместная фильтрация
- Пополнение каталога
- Персонализация (информационные технологии) (в разделе «Методы персонализации» есть совпадения по этой теме)
литература
- Андре Клахольд: Системы рекомендаций. Рекомендательные системы. Основы, концепции и решения. Vieweg + Teubner, Wiesbaden 2009, ISBN 978-3-8348-0568-3 ( исследования ).
- Дитмар Яннах и др.: Рекомендательные системы: введение. Cambridge University Press, 2010. ISBN 978-0-5214-9336-9
- Франческо Риччи и др.: Справочник по рекомендательным системам. Springer, 2011. ISBN 978-0-3878-5819-7.
веб ссылки
- Конференция ACM по серии рекомендательных систем (английский)
- ACM RecSys Wiki (английский)