Гибридные и контекстно-зависимые рекомендательные системы

Гибридные рекомендательные системы объединяют несколько стратегий рекомендаций для компенсации их индивидуальных недостатков, а контекстно-зависимые рекомендательные системы адаптируют предложения к ситуации пользователя.

Definition

Гибридная рекомендательная система объединяет две или более техники рекомендаций для получения более качественных предложений, чем любой отдельный метод, а контекстно-зависимая рекомендательная система включает контекстную информацию, выходящую за рамки идентификаторов пользователя и элемента, такую как время, местоположение, настроение или компания, в процесс рекомендации.

Scope

Эта тема охватывает два взаимодополняющих расширения базовых рекомендаций: гибридные системы, которые интегрируют контентные, коллаборативные и другие методы с помощью таких стратегий, как взвешивание, переключение, комбинация признаков и каскадирование; и контекстно-зависимые рекомендации, которые включают контекстуальные факторы, такие как время, местоположение и устройство, в процесс прогнозирования. В ней рассматривается, как объединение и контекстуализация сигналов повышает точность и надежность, особенно в отношении проблемы «холодного старта», оставляя базовые методы и оценку смежным темам.

Core questions

• Почему следует комбинировать контентные и коллаборативные методы, а не использовать один из них по отдельности?
• Какие стратегии существуют для гибридизации рекомендательных систем, такие как взвешивание, переключение и каскадирование?
• Как добавление контекста, такого как время или местоположение, изменяет рекомендации?
• Как контекст может быть смоделирован как предварительная фильтрация, постфильтрация или контекстное моделирование?
• Как гибридные и контекстно-зависимые методы помогают при «холодном старте» и повышают надежность?

Key concepts

• гибридная рекомендация
• взвешенные и переключающиеся гибриды
• каскадные и комбинированные гибриды
• контекстно-зависимая рекомендация
• контекстная предварительная и постфильтрация
• контекстное моделирование
• смягчение проблемы «холодного старта»
• многомерные модели предпочтений

Key theories

Стратегии гибридизации

Рекомендательные системы могут быть объединены путем смешивания их оценок (взвешенные), выбора между ними в зависимости от ситуации (переключение), передачи вывода одной системы в другую (каскад или расширение признаков) или объединения их признаков, при этом правильная стратегия смягчает недостатки каждого компонента.

Парадигмы контекстно-зависимых рекомендаций

Контекст может быть включен путем фильтрации данных перед рекомендацией (контекстная предварительная фильтрация), корректировки результатов после (постфильтрация) или прямого моделирования контекста в рамках многомерной модели предпочтений (контекстное моделирование).

Clinical relevance

Большинство производственных рекомендательных систем являются гибридными, сочетая коллаборативные, контентные и поведенческие сигналы и адаптируясь к контексту, такому как устройство, время суток и недавняя активность. Эти методы повышают точность, справляются с проблемой «холодного старта» и адаптируют предложения к текущему моменту, что крайне важно в мобильных и потоковых сервисах.

History

Обзор Бёрка 2002 года систематизировал стратегии гибридизации, поскольку исследователи признали, что ни одна отдельная техника рекомендаций не является универсально лучшей. Контекстно-зависимые рекомендации развивались на протяжении 2000-х годов, формализованные Адомавичусом и Тужилиным, по мере того как мобильные и повсеместные вычисления сделали ситуационные сигналы доступными. Гибридные, контекстно-зависимые конструкции теперь являются стандартом в развернутых системах.

Key figures

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

Seminal works

• burke2002
• adomavicius2011
• ricci2015

Frequently asked questions

Почему большинство реальных рекомендательных систем являются гибридными?

Каждая техника имеет свои недостатки: контентные методы чрезмерно специализируются, а коллаборативные методы сталкиваются с проблемой «холодного старта» и разреженностью данных. Объединение их позволяет сильным сторонам одной техники компенсировать слабые стороны другой, что обычно приводит к более точным и надежным рекомендациям, чем любой отдельный метод.

Что считается контекстом в контекстно-зависимых рекомендациях?

Контекст — это любая ситуационная информация, выходящая за рамки идентификаторов пользователя и элемента, которая влияет на предпочтения, такая как время, местоположение, устройство, погода или с кем находится пользователь. Включение этой информации позволяет системе давать разные рекомендации, например, для поездки на работу в будний день по сравнению с вечером выходного дня.