Συστήματα συστάσεων (Recommender systems)

Abstract

This chapter discusses the technology and applications of recommender systems. It presents the fundamental architectures and data analysis techniques that are currently used. The techniques include the content-based, the collaborative filtering, the knowledge-based and the hybrid ones. The chapter continues with the description of the major problems that restrict recommender systems success. The problems list includes the sparse data problem. There is often the case where ratings are sparse and not available for many service and product features, also not all users declare disclose their needs. The data Sparsity refers to the case where not enough product ratings or user behavioral data is available, thus making recommendations difficult or less useful. Next, the chapter discusses the cold-start problem, which implies that in the early stages of using a recommender system, the system lacks important information of user ratings, so it is difficult if not possible to suggest a user services without knowing almost anything about the users’ needs and priorities. The third major problem discussed is that of fraud. There are cases where users are trying to manipulate the recommender systems in favor of certain services, called push attacks, or in order to downgrade other, called nuke attacks. Finally, this chapter discusses recommender systems evaluation methods, as well as application areas and real life examples.

Το κεφάλαιο αυτό αναφέρεται στην τεχνολογία και τις εφαρμογές των συστημάτων συστάσεων (ή προτάσεων). Περιγράφει τις βασικές και πιο δημοφιλείς αρχιτεκτονικές των συστημάτων προτάσεων και των τεχνικών ανάλυσης που χρησιμοποιούν. Οι βασικές τεχνικές που περιγράφονται είναι: οι Τεχνικές με βάση το περιεχόμενο (content-based), οι Τεχνικές συνεργατικού φιλτραρίσματος (collaborative filtering), οι Τεχνικές με βάση τη γνώση (knowledge-based), και οι Υβριδικές (Hybrid),. Το κεφάλαιο συνεχίζει με την περιγραφή των προβλημάτων που αντιμετωπίζουν τα συστήματα προτάσεων είτε στην εφαρμογή τους είτε στο ερευνητικό πεδίο. Έτσι λοιπόν αναφέρονται τα παρακάτω προβλήματα. Αραιά και Διάσπαρτα Δεδομένα (Data Sparsity). Οι προτάσεις βασίζονται σε γνώση των προτεραιοτήτων των χρηστών και των αξιολογήσεών τους σε υπηρεσίες και προϊόντα. Δεν είναι σπάνιο όμως το φαινόμενο όπου αρκετοί χρήστες δεν αξιολογούν τα περισσότερα από τα διαθέσιμα χαρακτηριστικά των υπηρεσιών και των προϊόντων. Το αποτέλεσμα είναι να είναι διαθέσιμα δεδομένα με αρκετές ελλείψεις, δηλαδή να είναι αραιά και διάσπαρτα και αυτό συνεπώς επηρεάζει την ευστοχία και την αποδοχή των προτάσεων δηλαδή, την αποτελεσματικότητα του συστήματος προτάσεων. Το πρόβλημα της ψυχρής εκκίνησης (Cold-Start Problem). Νέα χαρακτηριστικά και υπηρεσίες, καθώς και νέοι χρήστες αποτελούν θέματα προς αντιμετώπιση, γιατί εφόσον είναι νέα στοιχεία στο σύστημα, πιθανόν να μην υπάρχει η ανάλογη και κατάλληλη πληροφόρηση. Επομένως η οποιαδήποτε διαμόρφωση πρότασης είναι αμφίβολη ως προς την επιτυχία της. Το πρόβλημα της Απάτης (Fraud), όπου κάποιος προσπαθεί να αυξήσει πλασματικά το βαθμό επιθυμίας ενός προϊόντος (push attacks), δείχνοντας έτσι πόσο πολύ το θέλουν άλλοι πελάτες. Με παρόμοιο τρόπο, άλλο είδος απάτης προσπαθεί να μειώσει το βαθμό επιθυμίας ενός προϊόντος (nuke attacks). Τέλος το κεφάλαιο περιγράφει μεθόδους αξιολόγησης των συστημάτων προτάσεων και περιοχές εφαρμογών με παραδείγματα.