Babeş-bolyai university of cluj-napoca

Sisteme de recomandare

1.1 Ce sunt sistemele de recomandare?

Înainte de apariția Internetului, existau deja mai mule metode de filtrare a informației, spre exemplu, guvernele pot controla și restricționa fluxul de informații într-o anumită țara, prin intermediul cenzurii formale sau informale.

Pe de altă parte, putem vorbi despre filtrarea de informației dacă facem referință la jurnaliști sau editorii de ziare care oferă un serviciu de selecție al informației relevante clienților precum: cititori de cărți, reviste, ziare, audienței radio și telespectatorilor. Acest proces de filtrare este de asemenea întâlnit în școli și universități unde există o selecție de informație ce furnizează asistență bazată pe criterii academice utilizatorilor acestui serviciu, studenții. Apariția Internetului a adus cu sine și posibilitatea publicării informației insignifiante. În acest fel cantitatea informației redundantă crește și, prin urmare informația de calitate este diseminată. Întâmpinând această problemă, a început elaborarea și dezvoltarea de noi filtre, prin intermediul cărora să obținem ușor și eficient informațiile necesare specifice unui domeniu.

Sistemele de recomandare sau sisteme care recomandă au apărut ca domeniu de cercetare independent în mijlocul anilor ’90 [1], fiind o diviziune consistentă a sistemelor de filtrare a informației. Aceste sisteme sunt instrumente și tehnici ce asigură sugestii ale unor articole care ulterior urmează a fi prezentate utilizatorilor [2].

“Articolul” este termenul general utilizat pentru a desemna ceea ce sistemul recomandă utilizatorilor. Un sistem de recomandare se focalizează, în mod normal, pe un anumit tip de produs (de exemplu: CD-uri, știri, filme, mașini etc.); în consecință designul, interfața grafică, precum și tehnica de recomandare fundamentală sunt personalizate pentru a oferi sugestii utile și eficiente pentru acel tip specific de produs.

Sistemele de recomandare sunt, în primul rând, îndreptate către persoanele care nu dispun de suficientă experiență personală sau competența de a evalua un număr copleșitor de articole alternative, pe care un site web, de exemplu, le poate oferi. Un exemplu în acest sens este un sistem care va asista utilizatorii în alegerea unei cărți (Amazon.com, unul dintre cele mai populare web site-uri, folosește un sistem de recomandare pentru a personaliza magazinul on-line al fiecărui client [4]). Întrucât recomandările sunt de obicei personalizate, utilizatorii diferiți sau grupurile de utilizatori vor primi diverse sugestii. De asemenea există și sisteme non personalizate, acestea fiind de o complexitate mai redusă în generarea recomandărilor, regăsindu-se cu preponderență în reviste sau ziare. Exemple tipice includ: primele zece selecții de cărți, CD-uri etc. În timp ce acestea pot fi utile si eficiente în anumite situații, aceste tipuri de recomandări sunt rar abordate în cercetarea sistemelor de recomandare.

În forma lor cea mai simplă, recomandările personalizate sunt oferite asemenea unor liste ordonate de articole. Pentru a determina acest clasament, sistemul de recomandare încearcă să prezică care sunt cele mai potrivite produse sau servicii, folosind preferințele utilizatorului și anumite constrângeri. Cu scopul de a finaliza această sarcină, sistemul colectează preferințele utilizatorilor, care sunt fie exprimate în mod explicit (de exemplu: rating-urile unor produse), sau sunt deduse din interpretarea acțiunilor acestora (de exemplu un sistem ar putea considera navigarea către pagina unui produs un semn implicit de preferință pentru elementele prezente pe acea pagină).

Dezvoltarea sistemelor de recomandare a fost inițiată pornind de la o observație destul de banală: oamenii se bazează de multe ori pe recomandările furnizate de alte persoane în luarea deciziilor ce presupun rutina de zi cu zi [5, 6]. De exemplu, se regăsește ca fiind obișnuit părerea colegilor în decizia de a selecta o carte, angajatorii evaluează cu mare grijă scrisorile de recomandare în deciziile lor de recrutare sau selectarea unui film este influențată de comentariile unor critici sau a unor telespectatori care au vizionat acel lung metraj.

Creșterea explozivă și varietatea informației regăsită pe web împreună cu introducerea rapidă a noilor servicii de e-business (de achiziționare de produse, comparare a produselor, licitații etc.) au copleșit frecvent utilizatorii. Posibilitatea de alegere, în loc de a produce un beneficiu, a început să deterioreze bunăstarea utilizatorilor. A fost de înțeles că în timp ce alegerea este bună, mai mult, nu este întotdeauna mai bine. Într-adevăr alegerea cu implicațiile sale de libertare, autonomie și autodeterminare poate deveni excesivă, creând un sentiment că libertatea poate deveni un tip de tiranie ce induce “sărăcie” [7].

Sistemele de recomandare s-au dovedit pe parcursul ultimilor ani un mijloc valoros pentru a face față suprasolicitării cu informație. În cele din urmă un sistem de recomandare rezolvă acest fenomen, indicând unui utilizator articole noi, care nu au fost încă experimentate și care ar putea fi relevante pentru sarcina curentă. La cererea unui utilizator, în funcție de tehnica de recomandare, de context și de nevoile acestuia, sistemul generează recomandări utilizând diferite tipuri de informații și date despre utilizatori (elemente disponibile și tranzacții anterioare stocate într-o bază de date). Ulterior utilizatorul poate naviga printre recomandări, putând astfel să ofere imediat sau într-o etapă următoare, un feedback implicit sau explicit. Toate aceste acțiuni ale utilizatorului pot fi stocate si folosite ulterior pentru a genera noi recomandări în interacțiunile ce urmează.

1.2 Avantajele sistemelor de recomandare

După cum am menționat anterior, studiul sistemelor de recomandare este relativ nou în comparație cu cercetarea altor sisteme sau tehnici clasice de filtrare a informației (de exemplu: baze de date sau motoare de căutare). În decursul ultimilor ani, interesul arătat sistemelor de recomandare a crescut dramatic, astfel indicând următoarele fapte:

1. 
   Sistemele de recomandare joacă un rol important în multe dintre web site-urile bine cotate precum Amazon.com, YouTube.com, Netflix, Yahoo, Tripadvisor, Last.fm și IMDb. Mai mult decât atât, multe companii mass-media dezvoltă și implementează sisteme de recomandare ca parte a serviciilor care le oferă abonaților. De exemplu Netflix, serviciul online de închiriere a filmelor, a acordat un premiu în valoare de un milion de dolari primei echipe care a reușit să îmbunătățească substanțial performanțele sistemului său de recomandare [8].
   
2. 
   Există conferințe și ateliere în acest domeniu. Ne referim în special la ACM Recommender Systems, conferință cu debutul în anul 2007, iar acum evenimentul principal anul în cercetarea si dezvoltarea aplicațiilor bazate pe tehnologi de recomandare. Pe lângă acestea sesiuni dedicate sistemelor de recomandare sunt frecvent incluse în domeniul bazelor de date, sisteme informatice și sisteme adaptive. Printre aceste conferințe sunt de remarcat: ACM SIGIR Special Interest Group on Information Retrieval (SIGIR), User Modeling Adaptation and Personalization (UMAP) și ACM’s Special Interest Group on Management Of Data (SIGMOD).
   
3. 
   În instituții de învățământ superior din întreaga lume, cursuri universitare si postuniversitare sunt acum dedicate în întregime sistemelor de recomandare; tutorialele sunt foarte populare la conferințele de informatică, recent fiind publicate si o serie de cărți cu această tematică [9].
   
4. 
   Au fost publicate o serie de articole ce privesc cercetarea și evoluțiile sistemelor de recomandare în reviste academice printre care reamintim: AI Communications (2008), IEEE Intelligent Systems (2007), International Journal of Electronic Commerce (2006), International Journal of Computer Science and Applications (2006), ACM Transactions on Computer-Human Interaction (2005) și ACM Transactions on Information Systems (2004).
   

Pentru a vorbi despre avantajele folosirii acestor sisteme de filtrare a informației trebuie pentru început să facem o diferențiere clară între rolul pe care aceste sisteme îl joacă.

Pe de o parte putem privi acest sistem din perspectiva furnizorilor de servicii, al căror scop este de a vinde sau promova produse (de exemplu un sistem de recomandare în domeniul turismului este de obicei introdus de o agenție de turism pentru a crește cifra de afaceri prin închirierea mai multor camere de hotel sau prin popularizarea unei destinații turistice). Există mai multe avantaje pentru care furnizorii serviciilor ar putea dori utilizarea unui astfel de sistem:

1. 
   Creșterea numărului de articole vândute. Aceasta este probabil cea mai importantă funcție pentru un sistem de recomandare comercial; de exemplu, pentru a putea vinde mai multe seturi de produse comparativ cu cei care, de obicei, vând fără a folosi un astfel de sistem. În marea majoritate a cazurilor acest obiectiv este atins deoarece elementele recomandate sunt oferite cu scopul de a se potrivi nevoilor și dorințelor utilizatorului. Cel mai probabil, utilizatorul va recunoaște acest lucru după încercarea mai multor recomandări. În opoziție se află aplicațiile non-comerciale al căror obiective sunt similare, dar fără a asocia un cost efectiv între utilizator și articolul selectat. De exemplu, o rețea de conținut social are ca scop creșterea numărului de știri vizualizate pe site-ul său. În general putem afirma că din punct de vedere al furnizorului de servicii, obiectivul principal pentru introducerea sistemului de recomandare este de a crește rata de conversie; de exemplu, numărul de utilizatori care acceptă recomandarea și “consumă” un articol, în comparație cu numărul de utilizatori care doar navighează prin informație.
   
2. 
   Vânzarea de produse diverse. O altă funcție importantă a sistemelor de recomandare este de a oferi utilizatorilor articole care în mod normal ar fi greu de găsit fără o recomandare precisă. De exemplu, pentru un sistem de recomandare al filmelor, precum ar fi Netflix, furnizorul de servicii este interesat în închirierea tuturor DVD-urilor din catalog, nu doar pe cele mai populare. Acest lucru ar fi dificil de realizat fără utilizarea unui sistem de recomandare, deoarece furnizorii de servicii nu își permit riscul de a recomanda articole care nu sunt pe placul utilizatorilor. Prin urmare, un sistem de recomandare sugerează filme nepopulare pentru utilizatorii potriviți.
   
3. 
   Creșterea satisfacției utilizatorului. Un sistem de recomandare bine conceput poate îmbunătăți experiența utilizatorului cu site-ul sau aplicația. Cu ajutorul sistemului utilizatorul va găsi recomandările ca fiind interesante, relevante și cu un design om-calculator corect proiectat. Combinația dintre eficiență, acuratețe, recomandări și o interfață ușor de utilizat va crește gradul de utilizare al sistemului și probabilitatea ca recomandările oferite să fie acceptate.
   
4. 
   Creșterea fidelității utilizatorului. Un utilizator ar trebui să fie loial unu web site, care atunci când este vizitat, recunoaște vechiul client și îl tratează ca pe un vizitator valoros. Aceasta este o caracteristică normală a unui sistem de recomandare, deoarece multe astfel de sisteme calculează recomandările pe baza informațiilor obținute de la utilizator din interacțiunile anterioare (de exemplu: rating-urile oferite unor produse). În consecință cu cât utilizatorul interacționează mai mult cu aplicația cu atât modelul acestuia devine mai rafinat.
   
5. 
   O înțelegere mai bună a nevoilor utilizatorului. O altă funcție importantă a sistemelor de recomandare, care poate fi extinsă la multe aplicații, este descrierea preferințelor utilizatorului, fie colectate în mod explicit fie prezise de sistem. Furnizorul de servicii poate decide mai apoi reutilizarea acestor cunoștințe pentru o serie de alte obiective precum îmbunătățirea gestionării stocului.
   

Am menționat mai sus, câteva motivații și avantaje pentru care furnizorii de servicii ar dori introducerea sistemelor de recomandare. De asemenea, utilizatorii, ar putea dori un astfel de sistem în cazul în care acesta va sprijini în mod eficient sarcinile sau obiectivele acestora. Prin urmare un sistem de recomandare trebuie să echilibreze nevoile acestor doi jucători oferind servicii valoroase ambelor părți.

Herlocker [2], într-o lucrare care a devenit o referință clasică în acest domeniu, definește unsprezece sarcini pe care un sistem de recomandare le-ar putea pune în aplicare. Unele dintre aceste sarcini sunt considerate principale sau de bază, fiind asociate în mod normal unui sistem de recomandare (de exemplu: propunerea unor articole care ar putea fi utile unui utilizator). Altele ar putea fi considerate doar moduri “oportuniste” de a exploata un sistem de recomandare. Această diferențiere de sarcini este foarte asemănătoare unui motor de căutare, a cărui funcție principală este de a localiza documente care sunt relevante pentru nevoia utilizatorului, dar de asemenea poate fi folosit pentru a verifica importanța unei pagini web (analizând poziția acesteia în lista de rezultate a unei interogări) sau pentru a descoperi diverse utilizări ale unui cuvânt într-o colecție de documente.

1. 
   Find some good items: Recomandă unui utilizator, sub forma unui clasament, anumite articole împreună cu anticiparea (de exemplu: pe o scară de la unu la cinci) dorințelor utilizatorului. Aceasta este sarcina principală a unui sistem de recomandare regăsindu-se în majoritate sistemelor comerciale.
   
2. 
   Find all good items: Recomandă toate articolele care pot satisface nevoile utilizatorilor. Acest lucru este valabil mai ales atunci când numărul de articole este relativ mic sau în cazul în care sistemul de recomandare este de o importanță critică (de exemplu: în aplicațiile medicale sau financiare). În aceste situații, pe lângă beneficiile derivate din examinarea cu atenție a tuturor posibilităților, utilizatorul poate beneficia de rating-urile articolelor din sistem sau de detaliile suplimentare pe care acesta le generează.
   
3. 
   Annotations in context: Având în vedere un anumit context (de exemplu: o listă de articole), marchează anumite articole în funcție de preferințele pe termen lung ale utilizatorului. De exemplu un sistem de recomandare pentru televiziune va afișa din lista emisiunilor existente, doar acelea care ar merită a fi vizionate.
   
4. 
   Recommend a sequence: În loc de a se concentra pe generarea unei singure recomandări, accentul se pune pe recomandarea unei serii de articole considerate plăcute în ansamblu. Exemplele tipice includ: recomandarea unui serial, a unei cărți despre sisteme de recomandare după ce o carte despre data mining a fost recomandată sau o colecție de piese [10].
   
5. 
   Recommend a bundle: Sugerează un grup de articole care se potrivesc bine împreună. Spre exemplu o excursie poate fi compusă din diverse atracții, destinații și servici de cazare. Din punct de vedere al utilizatorului aceste diverse alternative pot fi luate în considerare ca un singur voiaj.
   
6. 
   Just browsing: În acest tip de sarcină, utilizatorul răsfoiește catalogul, fără a avea o intenție iminentă de a achiziționa un articol. Sarcina sistemului de recomandare este de a ajuta utilizatorul să vizioneze doar articolele care sunt mult mai probabil să se încadreze în domeniul de interes al acestuia, pentru acea sesiune de navigare.
   
7. 
   Find credible recommender: Anumiți utilizatori nu au încredere în sistemele de recomandare, astfel, se “joacă” cu acestea pentru a observa calitatea recomandărilor făcute. În acest sens, multe sisteme de recomandare oferă anumite funcții speciale, diferite față de cele necesare pentru a obține recomandări, cu scopul de a permite utilizatorilor să testeze comportamentul acestuia.
   
8. 
   Improve the profile: Această caracteristică se referă la capacitatea utilizatorului de a furniza informații sistemului de recomandare cu privire la preferințele acestuia. Aceasta este o sarcină fundamentală, care este strict necesară pentru a oferi recomandări personalizate. Dacă sistemul nu deține cunoștințe despre utilizatorul curent, atunci recomandările furnizate acestuia sunt identice cu cele furnizate unui utilizator “mediu”.
   
9. 
   Express self: Anumiți utilizatori nu sunt deloc interesați de a li se oferi recomandări. Ceea ce este mai important pentru aceștia este posibilitatea de a contribui cu rating-uri și de a-și exprima opiniile sau convingerile. Această sarcină oferă satisfacție utilizatorilor și ca atare acționează ca o pârghie pentru a menține o strânsă legătură cu aplicația (după cum am menționat mai sus, în descrierea motivațiilor furnizorilor de servicii).
   
10. 
    Help others: Unii utilizatori sunt fericiți să contribuie cu informații (de exemplu: evaluarea lor pentru anumite articole), deoarece considera că, comunitățile beneficiază de pe urma acestor informații. Acest lucru ar putea fi o motivație pentru introducerea de informații într-un sistem de recomandare care nu este frecvent folosit. De exemplu, în cazul unui sistem de recomandare pentru mașini, un utilizator care a achiziționat o mașină este conștient de faptul că ratingul intrat in sistem este mult mai probabil să fie util pentru alți utilizatori, mai degrabă, decât pentru data viitoare când acesta va achiziționa o mașină.
    
11. 
    Influence others: În sistemele de recomandare online, există anumiți utilizatori al căror scop principal este de a-i influența explicit pe ceilalți, cu scopul de a achiziționa anumite produse. De asemenea există așa numiții utilizatori malware care pot utiliza sistemul doar pentru a promova sau “penaliza” anumite articole.