论文网
用户类论文范文数据库,与推荐系统交互性综述相关论文查重软件
本论文是一篇用户类论文查重软件,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。免费优秀的关于用户及系统及电子商务方面论文范文资料,适合用户论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
#30340;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,然后利用标准化分数计算推荐.
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
用户类论文范文数据库,与推荐系统交互性综述相关论文查重软件参考文献资料：