推荐系统交互性综述

本文是一篇用户论文范文,用户类在职研究生毕业论文,关于推荐系统交互性综述相关毕业论文参考文献格式范文。适合用户及系统及电子商务方面的的大学硕士和本科毕业论文以及用户相关开题报告范文和职称论文写作参考文献资料下载。

摘 要：推荐系统扮演着指导用户个性化决策的角色,帮助用户发现符合自己兴趣的信息.在过去的10多年中人们从多个角度对推荐系统进行了研究：预测精度,算法的可扩展性,知识来源,推荐项目和任务的类型,评测方法等.已有的研究工作大多集中在推荐算法上,在从用户角度设计系统和用户与推荐系统的交互方面的研究并不多.本文将总结分析个性化推荐领域中交互性的现状,探寻有效的交互设计方法,并尝试给出该方向未来有价值的研究点和自己思考.

关键字：人机交互；推荐系统；用户界面；交互查询

中图分类号：TP31文献标识码：JDOI：10.3969/j.issn.1003-6970.2013.08.059

本文著录格式：[1]杨淑梅.推荐系统交互性研究综述[J].软件,2013,34（8）：154-158

0引言

自1995年斯坦福大学的MarkoBalabanovic等人在同一会议上推出了个性化推荐系统LIRA以来,推荐系统得到广泛应用并取得了良好的成效.国内外互联网已经出现众多个性化推荐产品,涉及领域包括电子商务、新闻、音乐和电影等,如亚马逊（Amazon）的图书推荐网站、豆瓣音乐和潘多拉（Pandora）的音乐推荐网站、Netflix电影推荐网站、通过分析人帮助用户做决定的Hunch网站、推荐视频的网站Hulu等.

个性化推荐系统已经成为目前解决信息过载问题最有效的工具,其本质是信息过滤.它通过建立用户与信息产品之间的二元关系,利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行个性化推荐.对推荐系统的分类并没有统一的标准,很多学者从不同角度对推荐方法进行了不同的划分.但主流的推荐方法基本包括以下4种：基于内容推荐、协同过滤推荐、基于知识推荐和混合推荐.推荐系统是数据挖掘系统的一类,但它又与其他数据挖掘系统不同,这主要体现在推荐系统的实时性和交互性上.推荐系统主要面向的是用户,它不但根据用户以往的历史记录,更需要依据当前一段时间的行为数据给出实时反馈,并不断与用户进行交互,对用户反馈进行分析来修正和优化系统的推荐结果.

交互设计是指对产品、环境和系统的运行方式,以及传达这种运行方式的外观界面等的设计与定义.交互性设计实现了用户与系统之间的对话,以及用户以系统为媒介而进行彼此间的交流.一个在线推荐系统（RS）的推荐准确性大多依赖于它底层的算法,然而推荐系统最终的有效性却不仅与算法的质量有关.推荐系统的目标是给用户介绍他们可能感兴趣的物品,并说服用户尝试这些物品.研究显示,一个有效的推荐系统,能激发用户对系统的信任,有透明的系统逻辑,给用户推荐新的而不是他们已知的物品,提供推荐物品的详细信息,提供改进推荐的途径,用户愿意与系统进行跟多的交互已得到更有效的推荐[1].

1交互信息可视化一级标题

交互信息可视化（interactiveinformationvisualization）和推荐技术都是解决信息过载的有效途径.交互可视化的主要优点在于一个多维的呈现能让用户更容易了解到数据的多方面信息[2].传统推荐方法是提供一个按照兴趣排序的清晰的物品列表.对推荐进行解释来提供系统透明性和增强用户信任也得到了大量的研究[3].多数情况下,这些解释是以纯文本的形式出现,向用户指出：“因为你选择了或高度评价了：电影A”.可视化推荐不仅能支持系统透明度,还可以让用户通过与系统交互来获得搜索过程中的自主性和控制能力,这方面的研究已经有一些.

已有的可视化推荐的研究主要集中在协同过滤推荐系统的交互上.比如PeerChooser[4],一个可视化的交互推荐平台,它是利用图形来呈现用户和推荐项目之间关系的协同过滤推荐系统.一些社交推荐系统对标签特别关注,这方面的代表是Viz（SocialFriendsVisualization）[5],将用户和用户兴趣之间的连接可视化,帮助用户找到与他们有相似兴趣的潜在的朋友.该系统用到了一种径向空间填充技术（RadialSpace-Filling,R）,利用边缘捆绑将一个标签树和一个圆型布局可视化,进而展示社交网络.

可视化方法能超越传统的以文本列表或上下文注释呈现推荐结果的形式,而且不同的可视化界面会影响到用户对推荐结果的评价[6].一些研究表明可视化推荐对提供用户满意度和增加用户与系统的交互都有积极的影响[7].比较典型的可视化推荐系统是匹兹堡大学的PAWS实验室开发的ConferenceNigator和CoMeT（CollaborativeManagementofTalks）.

ConferenceNigator是一个服务于学术会议的与会者的系统,它除了提供一般的信息如会议列表,会议日程以及允许用户设置自己感兴趣的讨论,用户之间还可以互相关注来建立联系.但这个会议导航系统的特色在于它能够以可视化的形式展现聚集的用户行为（图1）,比如关注较多的论文的排序,最活跃的用户,活跃用户所在的单位或机构等.CoMeT聚集了匹兹堡地区主要是匹兹堡大学和卡内基梅隆大学里的公开学术演讲和学术讨论信息,该系统也可采用视化的方式（图2）将一些社会化聚集数据展现给用户,比如每个主题讨论收到了多少用户的访问、邮件或被加为书签.CoMeT允许用户进行交互性操作来搜索所有有效的讨论.与讨论相关的社会活动和时间限制使得对他们做可视化推荐由于文本列表推荐,前者更直观,可交互的信息更丰富,且系统解释性也得到了改善.用户可以与推荐结果进行交互,将其他社会化信息与结果结合来调控系统的输出.这种输出后的交互增加了推荐的灵活性和用户可控性,是从用户角度出发的一种友好设计.

虽然相关研究强调了可视化交互在提高用户满意度的积极作用,但可视化的研究还存在局限性.它局限于电影推荐,一个已经得到深入发掘的领域且该领域的成果并不能普适性转嫁到其他领域.因此还需要进一步拓展可视化的研究范围.2推荐界面

推荐系统将用户对某些项目的意见用于信息域的处理,进而帮助用户选择其他项目.从众心理的文献表明,在帮助人们做出选择的过程中,这些系统可能会影响用户对项目的意见.如果人们的意见受到了推荐的影响,将其用于向其他人做推荐时这些意见的价值就会缩水.此外,寻求使系统人工地产生高或低的推荐的操纵者,可能会从中受益,如果他们的努力会影响用户改变他们的推荐意见.

文献[8]认为推荐系统的评价界面会影响到用户的观点以及他们表达自己的能力.该研究对可能影响用户意见的推荐系统的两种界面进行了研究,它们分别是评定量表和用户评分时显示预测的界面.研究结果显示,在评定量表中用户的评分相当一致.然而,用户可以被操纵,倾向于做出与系统预测一致的评价,不管预测是否正确.另一方面,用户对操纵预测的系统还是能察觉到的.好的推荐能激起用户的信任并帮助用户找到真正想要的东西.同时,一个设计良好的界面使商家收集到用户的偏好信息并给每一位用户提供适合的推荐商品,商家和用户都能从中获益.

2.1推荐界面的设计会影响用户的评分

目前,研究界面在推荐系统中的作用的工作还较少.Herlockeretal.研究了怎样解释推荐能说服用户信任系统[9],SwearingenandSinha发现用户信任那些推荐的产品是用户知会喜欢的系统[10].对界面缺乏关注给用户带来了一定的危害.推荐系统通常会在做推荐的同时提供被推荐的信息,包括描述信息、其他用户或专业评论员写的评论、平均评分以及对当前用户评分的预测等.系统在用户对一个项目作评价时显示这些信息会影响到用户的观点,导致3个潜在的问题.其一,修改后的观点给系统带来不太精确的偏好信息,导致将来不准确的预测.其二,修改后的观点增加了评价推荐质量的难度.界面有意引导用户向预测评分倾斜的系统在准确性度量时得分会更高,相比那些界面设计的更中立的系统,即使后者的推荐会更有用.其三,不法代理人可能会利用这一效应来放大他们注入系统的虚假的意见.这种意见可能会被人为地抬高,导致异常积极的建议,继而可能诱发其他用户的异常积极的评级.代理人也可能给出虚假的低意见以试图阻止项目被推荐,那些后来的打分者会被动摇也给出较低的评分.系统的界面设计越是影响用户意见,对恶意的攻击就越有吸引力,攻击也越有效,尤其是系统不能告诉大家这些预测被操控了.（图3）

2.2用户意见的度量的复杂性

许多推荐系统将用户的意见以一个单一的数字评级量表来呈现,这些测量在间隔尺度上差异很大.电子商务系统经常使用购买决策作为评级代理,造成了一维测量（购买的是喜欢的,其他的不清楚）或二维测量（购买的是喜欢的,不买的是不喜欢的）.其他系统要求用户在1到5颗星的范围里做评分,如亚马逊、豆瓣电影等.豆瓣音乐供用户选择的只有“喜欢”、“不再播放”和“下一首”三个按钮.Jesterjoke的评分体系让用户操作一个连续的滚动条,在-10和+10之间选择[11].哪种是对的呢?理想情况下,一个评级量表应该允许用户不用做太多努力就能给出有意义的评分.但这很困难,因为量化人们的观点是复杂的.比如一个论文推荐系统的用户在评价一篇论文时,他的意见取决于主题的重要性、研究的质量和原创性、写作的水平、论文与他的研究的相关性、他读论文时的心情等等.

关于评级尺度的选择,FriedmanandAmoo测试了设计利克特量表（Likert-stylescales）的多个方面,包括与每个选项相关的标签、问题说明、评定量表的平衡、选项的排序、选项的数目[12].AmooandFriedman的研究指出改变尺度的范围（如从-5～+5到0～10）会影响反应的分布[13].Garland建议去除量表里的中间值,减少受访者偏向提供肯定的回答,但这样做会产生扭曲的结果[14].文献[8]的研究表明测量尺度的设计应该是基于不同域的.MovieLens的用户评价电影时有时会要求隐藏预测评分,因为他们怀疑预测评分会对自己产生影响.为了得到更准确的用户偏好并使用户体验更好,设计者要对界面做出调整,让用户能忽略预测专注于自己的评价,不管物品出现在推荐系统的何处都允许用户对其评价.用户偏爱细粒度评定量表,由于这样做对预测精度没有不利影响,设计者可以做这样的尝试.实际上,用户评价与评测范围有很好的相关性,设计者可以选择让用户根据自己的意愿在任意范围内做评分,然

本文是一篇用户论文范文,用户类在职研究生毕业论文,关于推荐系统交互性综述相关毕业论文参考文献格式范文。适合用户及系统及电子商务方面的的大学硕士和本科毕业论文以及用户相关开题报告范文和职称论文写作参考文献资料下载。

以上的研究显示在界面上显示预测信息会影响用户的评分,但这种影响能持续多久、跟推荐系统推荐的物品的种类有没有关系、未来“未受影响”的评价是否会表现出同样的偏向等仍是悬而未决的问题,有待探索.推荐系统设计师和研究人员主要集中提供准确的推荐.大部分的准确性的问题已经解决.将这些准确的预测,以能够带来最好的用户体验的方式传递给用户仍然是一个有待解决的问题.界面和呈现方式对推荐系统的影响的研究还不多,它很可能是下一个可以显著提升的领域.

3交互查询

尽管搜索水平已经有了很大的进步,快速增长的Web信息还是给Web排名算法带来了新挑战.事实上,很多情况下用户得到的是并不精确或是糟糕的结果.其中最主要的困难时用户常常提交一些很短又模糊的查询词,他们并不能很好的指明自己的需要.这个问题在个性化推荐系统中尤为突出,因为推荐系统的基本情境就是用户不明确需求,由系统通过分析用户的潜在偏好给用户推荐既新颖又符合他们喜好的东西.即是,提高推荐系统的查询模块就显得更有必要.已有的文献中研查询算法很多,其中文献[15]提出了一种基于概念的查询拓展技术,允许向搜索引擎提交歧义查询.这里的概念是通过在一种特殊类型的查询关系图中分析和定位周期提取的,该方法得到了32%的精度.文献[16]则根据关 键 词出现的频率和关联性给出了在线OLAP算法,并证明了该算法的稳定性和可行性.但是这些研究算法的工作较少涉及到交互性.从用户使用的角度分析,一次推荐系统的体验过程是由用户输入查询信息、系统根据用户信息和查询信息进行处理、系统显示推荐列表、用户进行决策这一系列过程.显而易见,用户输入值整个推荐的第一步也是非常重要的一步,因为它很大程度上影响到推荐的效率和用户体验.为了帮助用户更快更准确的表达搜索意向,研究人员们提出了交互式查询.交互式查询能协助用户,告知用户查询失败的原因以及修改查询的策略.目标是当用户的需求没能被完全满足时,让用户自主的决定什么是最好的折中.给用户更多的主动权,也加强了系统与用户之间的交互.交互查询能帮助用户明确查询,过滤掉不想要的物品.当查询结果过多或过少时,系统会给出一些保留了初始查询主旨的变化查询.这个过程将迭代出现直到给出合理数目的查询结果.然后,利用协同过滤对被选中的物品进行排序.系统会将与其他用户在相似会话（session）所选的物品相似的条目排在前面.这种方法能减少用户查询的次数,降低了浏览物品的数量而且最终被选中的是出现在排序列表前面位置的物品[17-19].

Case-basedreasoning（CBR）,基于事件的推理,支持将人机交互模型作为一个事例,利用以前的推荐记录分析出有用的信息来帮助系统智能地对用户查询结果进行排序.

通常,用户通过推荐系统的图形用户界面与交互查询模块进行交互,提交一次查询并得到返回的推荐结果列表.如果这个过程失败,交互式查询模块就会建议用户修改查询信息.常见的查询失败类型有两种：查询返回的结果太多或没有返回结果.当一个查询返回了空结果时,交互式查询模块就会寻找宽松的可选查询,以改变或消除失败查询中的最小数量限制,并使子查询能够返回一些结果.交互式查询将这些放宽后的查询词显示给用户,在确保能有结果返回的前提下让用户决定哪个是最好的备选项.相反,如果首次查询返回的结果过多,一系列可以限制返回结果范围的可选特征词会显示给用户.

4多维度

对推荐系统的研究大部分都是基于对象-用户的二位度量空间,多维度是指既考虑到用户行为又考虑到用户的上下文等相关信息.这些上下文包括用户访问推荐系统的时间、地点、心情等,对于提高推荐系统的推荐质量非常重要.比如,一个卖鞋子的推荐系统在冬天和夏天应该给用户推荐不同类别的鞋子；用户的兴趣在平时和周末都有区别.因此,准确了解用户所处的上下文信息,并将上下文感知应用到推荐系统是设计好的推荐系统的关键步骤[20].

用户行为在个性化推荐系统中一般分为两种：显性反馈行为（explicitfeedback）和隐性反馈行为（implicitfeedback）.显性反馈行为包括用户明确表示对物品喜好的行为,主要方式是评分和喜欢/不喜欢.很多网站都使用了5分的平分系统来让用户直接表达对物品的喜欢,但也有些网站使用简单的“喜欢”或者“不喜欢”按钮收集用户兴趣.这些不同的显性反馈方式各有利弊.YouTube最早是用5分平分系统收集显性反馈的,但后来他们的研究人员统计了不同评分的评分数,结果显示,用户最常用的评分是5分,其次是1分,其他的分数很少有用户打.后来,YouTube就把评分系统改成了两档（喜欢/不喜欢）[21-22].因此,不同的网站需要根据自己的特点设计评分系统.YouTube的用户注意将精力放在看视频上,因此他们只有在特别不满或者特别满意时才会评分,这样二级评分就够了.如果是评论网站,用户主要将精力放在评论上,这时多级评分系统就是必要的.

和显性反馈行为对应的是隐性反馈行为.隐性反馈行为指的是那些不明确反应用户喜欢的行为.最具代表性的隐性反馈行为就是页面浏览行为.用户浏览一个物品的页面并不代表一定喜欢这个物品,比如可能因为这个页面链接显示在首页,用户更容易点击它而已.相比显性反馈,隐性反馈虽然不明确,但数据量更大.在一些网站中,很多用户只有隐性反馈数据而没有显性反馈数据.

上下文信息的重要性已被许多学科的研究人员和从业人员的认可,包括电子商务个性化,信息检索,无处不在的移动计算,数据挖掘,营销,管理.在移动上下文感知推荐系统方面,还需考虑到用户所处情境的变化,动态地捕获上下文情境使系统的推荐具有自适应性[23].传统的协同过滤算法只考虑用户的历史评价,而忽略了一段很长的时间里用户兴趣漂移和项目知名度的变化.针对上述问题,研究人员提出了一个时间感知的协同过滤算法[24,25],跟踪用户的兴趣和项目的普及时间,通过结合时间信息对广泛使用的基于领域的算法进行拓展,开发了一种改进算法进行及时的建议.实验结果表明,该方法可以有效地提高预测的准确性.

5结论

本文从交互信息可视化、推荐界面、交互查询、多维度四个角度总结分析了个性化推荐领域中交互性的现状.在调研过程中发现目前专门针对推荐系统的交互性设计的方法和理论的文献并不多.推荐系统尤其是商用的推荐系统体系,可参考一些Web应用及其他应用程序的交互方法和界面的设计,苹果产品的走红强化了广大普通用户对用户体验和产品设计的意识和需求.文中论述的四个方面都是有价值但还没有得到充分挖掘的领域,它们在逻辑上具有连续性,用户与系统的交互始于用户界面,通过在系统中进行查询搜索来获取推荐结果,而多维度是针对推荐系统自身的设计技术,充分利用好用户的上下文情境信息可以增强推荐的自适应性和用户满意度,带来更好的用户体验并为社会创造更多的价值.后续的工作将结合具体深入的调查和实验,旨在提出一种可行的具有更好的用户体验的推荐系统交互设计方法.

本文是一篇用户论文范文,用户类在职研究生毕业论文,关于推荐系统交互性综述相关毕业论文参考文献格式范文。适合用户及系统及电子商务方面的的大学硕士和本科毕业论文以及用户相关开题报告范文和职称论文写作参考文献资料下载。

[12]FriedmanHH,AmooT.Ratingtheratingscales[J].JournalofMarketingManagement,1999,9（3）：114-123.

[13]T.AmooandH.H.Friedman.Donumericvaluesinfluencesubjects'responsestoratingscales?JournalofInternationalMarketingandMarketingResearch[J],26：41-46,February2001.

[14]GarlandR.Themid-pointonaratingscale：Isitdesirable[J].MarketingBulletin,1991,2（1）：66-70.

[15]FonsecaBM,GolgherP,PssasB,etal.Concept-basedinteractivequeryexpansion[C]//Proceedingsofthe14thACMinternationalconferenceonInformationandknowledgemanagement.ACM,2005：696-703.[16]Garcia-AlvaradoC,ChenZ,OrdonezC.OLAP-basedqueryremendation[C]//Proceedingsofthe19thACMinternationalconferenceonInformationandknowledgemanagement.ACM,2010：1353-1356.

[17]RicciF,VenturiniA,CadaD,etal.Productremendationwithinteractivequerymanagementandtwofoldsimilarity[M]//Case-BasedReasoningResearchandDevelopment.SpringerBerlinHeidelberg,2003：479-493.

[18]BouneffoufD,BouzeghoubA,GanarskiAL.Acontextual-banditalgorithmformobilecontext-awareremendersystem[C]//NeuralInformationProcessing.SpringerBerlinHeidelberg,2012：324-331.

[19]WeiS,YeN,ZhangQ.Time-AwareCollaborativeFilteringforRemenderSystems[M]//PatternRecognition.SpringerBerlinHeidelberg,2012：663-670.

[20]项亮.动态系统关键技术研究[D].北京：CASIA,2011.XIANGL.ResearchontheKeyTechnologiesofDynamicSystem[D].Beijing：CASIA,2011（inChinese）.

[21]YuZ,LiC,ZhouX,etal.AService-OrientedPlatformforUbiquitousPersonalizedMultimediaProvisioning[J].J.UCS,2010,16（10）：1291-1310.

[22]YuZ,YuZ,ZhouX,etal.Handlingconditionalpreferencesinremendersystems[C]//Proceedingsofthe14thinternationalconferenceonIntelligentuserinterfaces.ACM,2009：407-412.

[23]YuZ,ZhouX,ZhangD,etal.Supportingcontext-awaremediaremendationorartphones[J].PervasiveComputing,IEEE,2006,5（3）：68-75.

[24]WangL.Understandingandusingcontextualinformationinremendersystems[C]//Proceedingsofthe34thinternationalACMSIGIRconferenceonResearchanddevelopmentinInformationRetrieval.ACM,2011：1329-1330.

[25]WangL,MengX,ZhangY,etal.Newapproachestomood-basedhybridcollaborativefiltering[C]//ProceedingsoftheWorkshoponContext-AwareMovieRemendation.ACM,2010：28-33.