Pemberi Rekomendasi Hibrida dan Sadar Konteks

Pemberi rekomendasi hibrida menggabungkan beberapa strategi rekomendasi untuk mengimbangi kelemahan masing-masing, dan pemberi rekomendasi sadar konteks menyesuaikan saran dengan situasi pengguna.

Definition

Pemberi rekomendasi hibrida menggabungkan dua atau lebih teknik rekomendasi untuk menghasilkan saran yang lebih baik daripada metode tunggal mana pun, dan pemberi rekomendasi sadar konteks menggabungkan informasi kontekstual di luar identitas pengguna dan item, seperti waktu, lokasi, suasana hati, atau perusahaan, ke dalam proses rekomendasi.

Scope

Topik ini mencakup dua perluasan komplementer dari rekomendasi dasar: sistem hibrida yang mengintegrasikan teknik berbasis konten, kolaboratif, dan lainnya melalui strategi seperti pembobotan, pengalihan, kombinasi fitur, dan kaskade; serta rekomendasi sadar konteks yang menggabungkan faktor kontekstual seperti waktu, lokasi, dan perangkat ke dalam prediksi. Ini membahas bagaimana penggabungan dan kontekstualisasi sinyal meningkatkan akurasi dan ketahanan, terutama terhadap masalah 'cold start', sementara metode dasar dan evaluasi diserahkan ke topik terkait.

Core questions

• Mengapa menggabungkan metode berbasis konten dan kolaboratif daripada menggunakan salah satunya saja?
• Strategi apa saja yang ada untuk menghibridisasi pemberi rekomendasi, seperti pembobotan, pengalihan, dan kaskade?
• Bagaimana penambahan konteks seperti waktu atau lokasi mengubah rekomendasi?
• Bagaimana konteks dapat dimodelkan sebagai pra-penyaringan, pasca-penyaringan, atau pemodelan kontekstual?
• Bagaimana metode hibrida dan sadar konteks membantu mengatasi masalah 'cold start' dan ketahanan?

Key concepts

• rekomendasi hibrida
• hibrida berbobot dan pengalihan
• hibrida kaskade dan kombinasi fitur
• rekomendasi sadar konteks
• pra-penyaringan dan pasca-penyaringan kontekstual
• pemodelan kontekstual
• mitigasi 'cold start'
• model preferensi multidimensional

Key theories

Strategi hibridisasi

Pemberi rekomendasi dapat digabungkan dengan memadukan skor mereka (berbobot), memilih di antara mereka per situasi (pengalihan), memasukkan keluaran satu ke yang lain (kaskade atau augmentasi fitur), atau menggabungkan fitur-fitur mereka, dengan strategi yang tepat mengurangi kelemahan setiap komponen.

Paradigma rekomendasi sadar konteks

Konteks dapat digabungkan dengan menyaring data sebelum merekomendasikan (pra-penyaringan kontekstual), menyesuaikan hasil setelahnya (pasca-penyaringan), atau memodelkan konteks secara langsung dalam model preferensi multidimensional (pemodelan kontekstual).

Clinical relevance

Sebagian besar sistem pemberi rekomendasi produksi adalah hibrida, memadukan sinyal kolaboratif, konten, dan perilaku serta beradaptasi dengan konteks seperti perangkat, waktu dalam sehari, dan aktivitas terkini. Teknik-teknik ini meningkatkan akurasi, menangani masalah 'cold start', dan menyesuaikan saran dengan momen, yang penting dalam layanan seluler dan streaming.

History

Survei Burke tahun 2002 mensistematisasi strategi hibridisasi karena para peneliti menyadari bahwa tidak ada satu pun teknik rekomendasi yang secara seragam terbaik. Rekomendasi sadar konteks berkembang sepanjang tahun 2000-an, diformalkan oleh Adomavicius dan Tuzhilin, seiring dengan komputasi seluler dan di mana-mana yang membuat sinyal situasional tersedia. Desain hibrida dan sadar konteks kini menjadi standar dalam sistem yang digunakan.

Key figures

• Robin Burke
• Gediminas Adomavicius
• Alexander Tuzhilin
• Francesco Ricci

Seminal works

• burke2002
• adomavicius2011
• ricci2015

Frequently asked questions

Mengapa sebagian besar sistem pemberi rekomendasi nyata adalah hibrida?

Setiap teknik memiliki kelemahan: metode berbasis konten terlalu spesifik, dan metode kolaboratif kesulitan dengan 'cold start' dan jarang. Menggabungkan keduanya memungkinkan kekuatan satu menutupi kelemahan yang lain, biasanya menghasilkan rekomendasi yang lebih akurat dan kuat daripada metode tunggal mana pun.

Apa yang termasuk konteks dalam rekomendasi sadar konteks?

Konteks adalah informasi situasional apa pun di luar identitas pengguna dan item yang memengaruhi preferensi, seperti waktu, lokasi, perangkat, cuaca, atau dengan siapa pengguna berada. Menggabungkannya memungkinkan sistem merekomendasikan secara berbeda untuk, katakanlah, perjalanan pulang pergi di hari kerja versus malam akhir pekan.