Babeş-bolyai university of cluj-napoca

1.3 Principalele componente

Sistemele de recomandare sunt sisteme care adună în mod activ diferite tipuri de informații cu scopul de a oferi recomandări. Aceste tipuri de informații fac referire la articolele care urmează a fi recomandate și la utilizatorii care vor primi aceste recomandări.

În general, există tehnici de recomandare care se bazează pe o tehnică a cunoașterii limitate, precum cele care folosesc date simple (de exemplu: evaluare articolelor de către utilizatori). Alte tehnici sunt mult mai dependente de cunoștințe (de exemplu: folosesc descrieri ontologice ale utilizatorilor, relații sociale ale acestora sau anumite constrângeri). Astfel putem afirma faptul că datele utilizate de către sistemele de recomandare se referă la trei tipuri de obiecte: articole, utilizatori și tranzacții (relațiile dintre utilizatori si articole).

Articolele sunt obiectele care sunt recomandate de sistem. Acestea pot fi caracterizate prin complexitatea lor, valoare sau utilitatea acestora. Valoare unui articol poate fi pozitivă dacă articolul este valoros pentru utilizator, sau negativă în cazul în care acesta nu este potrivit preferințelor utilizatorului, acesta din urmă luând o decizie greșită în alegerea articolului. Notăm faptul că, atunci când un utilizator achiziționează un articol acesta va suporta un cost, care include costul cognitiv al căutării articolului cât și costuri monetare.

De exemplu, dezvoltatorul unui sistem de recomandare pentru știri trebuie sa ia în considerare complexitatea unei știri, structura, reprezentarea și importanța acesteia. În același timp dezvoltatorul trebuie să înțeleagă că deși utilizatorul nu suportă un cost monetar, un cost fictiv asociat căutării și vizionării este întotdeauna prezent. În cazul în care un articol selectat este relevant pentru utilizator acest cost este dominat de avantajul obținerii unei informații utile, în timp ce dacă elementul nu este relevant valoare netă pe care o reprezintă acesta pentru utilizator este negativă. În alte domenii precum cel financiar costul monetar al unui articol devine un element foarte important în selectare celei mai bune recomandări.

Articole cu o complexitate și valoare scăzută sunt precum: știrile, pagini web, filme, CD-uri; cu o complexitate și valoare mare regăsim articole precum: camerele digitale, telefoanele mobile, calculatoarele etc. Articolele considerate cele mai complexe sunt: polițele de asigurare, investițiile financiare, călătoriile, slujbele [11].

Sistemele de recomandare, în funcție de tehnologia lor de bază, pot să folosească o gamă largă de proprietăți și trăsături ale articolelor. De exemplu un sistem de recomandare pentru filme poate utiliza genul filmului, directorul și actorii acestuia pentru a descrie un film și pentru a învăța cum utilitatea unui articol depinde de caracteristicile acestuia.

Articolele pot fi reprezentate folosind diferite metode, de la un mod minimalist (cu un singur cod de identificare), la o formă mai complexă (ca un set de atribute) sau chiar o reprezentare ontologică a domeniului.

Utilizatorii unui sistem de recomandare, precum am menționat mai sus, pot avea diverse obiective și caracteristici. În scopul de a personaliza recomandările și interacțiunea om-calculator, sistemele de recomandare exploatează o serie de informații despre utilizatori. Aceste informații pot fi structurate în diverse moduri și, reamintim faptul că modelul informației depinde strict de tehnica de recomandare folosită.

Spre exemplu, în filtrarea colaborativă, modelul unui utilizator este structurat într-o listă simplă conținând evaluările oferite de utilizator anumitor articole. Într-un sistem de recomandare demografic, atributele socio-demografice precum: vârstă, sex, profesie și educație sunt utilizate pentru a crea profilul utilizatorului [12]. În modelul utilizatorului se stochează preferințele și nevoile acestuia. De-a lungul timpului au fost abordate mai multe tipuri de modele putând astfel afirma că un sistem de recomandare este un tool care generează recomandări prin construcția și exploatarea modelelor. Din moment ce nu se poate oferi o recomandare personalizată , doar dacă aceasta este non-personalizată (de exemplu: primele zece rezultate), modelul utilizatorului joacă un rol foarte important in elaborarea și dezvoltarea acestor sisteme.

Utilizatorii pot fi, de asemenea descriși prin șablonul comportamentului lor (de exemplu: șabloane de navigare a site-urilor sau șabloane de căutare a călătoriilor). Mai mult decât atât, datele despre utilizatori pot include relații între aceștia, în această situație un sistem de recomandare va utiliza aceste date pentru a recomanda produse similare preferate de utilizatorii de “încredere”.

Tranzacțiile sunt interacțiunile dintre utilizatori și sistemul de recomandare. Acestea sunt asemenea unui logger care stochează informații importante, generate în timpul interacțiunii om-calculator și care ulterior sunt utile algoritmului de generare a recomandărilor al sistemului utilizat. De exemplu registrul unei tranzacții poate conține o referință către articolul selectat de utilizator și o scurtă descriere a contextului în care acel articol a fost selectat. Dacă este disponibil, o tranzacție poate să conțină și feedback-ul oferit de utilizator respectivului articol.

Observând majoritatea sistemelor de recomandare putem deduce faptul că rating-urile sunt cea mai populară formă de date pe care un sistem le colectează. Aceste evaluări pot fi colectate în mod explicit (utilizatorului i se cere să furnizeze opinia sa cu privire la un articol folosind o scară de evaluare) sau implicit (prin interacțiunile utilizatorului cu sistemul). În conformitate cu [13], există o varietate de forme pentru a evalua un articol:

• 
  evaluări numerice (de exemplu: evaluarea unui articol pe o scară de la unu la cinci precum este în sistemul de recomandare al cărților folosit de cei de la Amazon.com);
  
• 
  evaluări ordinale precum: ”cu totul de acord, de acord, neutru, dezacord, dezacord total”, caz în care utilizatorul este rugat să selecteze termenul care indică cel mai potrivit opinia sa cu privire la un articol;
  
• 
  evaluări binare: în acestea utilizatorul este rugat să ia o decizie simplă asupra unui articol: bun sau rău;
  
• 
  evaluări unare: indică faptul că utilizatorul a observat, cumpărat un articol sau doar a evaluat acel articol pozitiv. În astfel de cazuri, absența unui rating indică faptul că nu se deține nici o informație cu privire la legătura dintre utilizator si articol (cel mai probabil acesta a achiziționat articolul din altă parte);
  

O altă formă cunoscută de evaluare este utilizare tag-urilor, acestea fiind asociate de către utilizator unui articol. Pentru a oferi un exemplu în această direcție putem observa sistemul de recomandare utilizat de MovieLens (http://movielens.umn.edu) unde tag-urile reprezintă modul în care utilizatorii descriu un film, de exemplu: ”prea lung” sau ”acțiune rea”.

În tranzacțiile de colectare implicită, sistemul își propune să deducă opinia utilizatorilor doar bazându-se pe acțiunile acestora. Spre exemplu dacă un utilizator introduce cuvântul cheie ”Yoga”, folosind web site-ul Amazon.com, va primi o listă de cărți dintre care acesta poate să selecteze o anumită carte pentru a primi mai multe detalii. În acest moment sistemul poate deduce că utilizatorul este oarecum interesat de acea carte.

În sistemele conversaționale (sisteme care dispun de un proces interactiv), modelul tranzacției este mai rafinat. În aceste sisteme solicitările utilizatorului alternează cu acțiunile sistemului. Utilizatorul poate solicita o recomandare, iar sistemul să îi ofere o listă de sugestii, dar în același timp sistemul poate cere informații suplimentare despre nevoile și preferințele utilizatorului cu scopul de a-i oferi acestuia rezultate mai bune. Aici, în modelul tranzacției, sistemul colectează diferite cereri și răspunsuri, ca în cele din urmă să învețe să modifice singur strategia de interacțiune [5].

CAPITOLUL II