POGOVORNI PRIPOROČILNI SISTEM Z NADZOROVANO RAZNOLIKOSTJOZUPANIČ, PETER (Avtor) Košir, Andrej (Mentor) priporočilni sistemipogovorni priporočilni sistemskupinska raznolikostnadzorovana raznolikosthladni zagonhibridni priporočilni sistemskupinski priporočilni sistemvsebinski priporočilni sistemmetoda matrične faktorizacijePriporočilni sistem je običajno skupek elementov programske kode, ki s filtriranjem informacij išče oceno ali preferenco, ki bi jo uporabnik dodelil nekemu produktu. Takšni sistemi za uspešno delovanje običajno potrebujejo veliko podatkov o različnih uporabnikih in produktih. Priporočilni sistem s pomočjo zgodovine uporabnikovih dejanj predvideva, kaj je uporabniku všeč in kaj mu ni všeč. S pogostejšo rabo priporočilnega sistema se izpopolnjuje profil uporabnika in posledično izboljšujejo sami rezultati [1]. Za primer lahko vzamemo filmski priporočilni sistem. Takšne priporočilne sisteme uporabljajo spletne storitve, kot sta npr. Netflix [2] in IMDb [3]. Te spletne storitve shranjujejo podatke o filmih, ki so si jih ogledali njihovi uporabniki. Za določenega uporabnika lahko tako z analizo podatkov predvidijo, kateri filmi mu bodo všeč in kateri ne. Uporabniku nato priporočijo filme, za katere so predvideli, da mu bodo všeč. S tem izboljšajo celotno uporabniško izkušnjo, saj tako več uporabnikov najde filme po svojem okusu. Uporabnikova zavrnitev ali sprejem predlogov predstavlja dodatno povratno informacijo, ki pripomore k izboljšanju priporočil samega sistema. Priporočilni sistemi se pogosto srečujejo s problemi, kot npr. ozek nabor priporočenih produktov, ki so si med seboj zelo podobni. Sistemi namreč takšne nabore pogosto priporočijo uporabnikom zaradi pomanjkanja podatkov, hladnega zagona (problem, ki se pojavi ob zagonu oz. postavitvi novega sistema, ki še nima dovolj podatkov za izračun primernih priporočil) ali prevelike oz. neustrezne natančnosti. Priporočila z majhno skupinsko raznolikostjo so nezaželena, saj se redkokateri uporabnik zanima zgolj za zelo podobne izdelke. Vzrok za problem premajhne raznolikosti je v metrikah uspešnosti priporočilnih sistemov, ki običajno merijo le razliko med napovedanimi ocenami produktov in ocenami, ki jih je podal uporabnik. Manjša kot je ta razlika, bolj natančna so priporočila. Ker je cilj priporočilnih sistemov izračun čim bolj natančnih priporočil, se s približevanjem temu cilju lahko hitro zmanjša raznolikost priporočil. Tako bi v primeru priporočanja počitniških paketov sistem lahko priporočil 5 podobnih paketov na isti lokaciji, ki se med seboj razlikujejo le v izbiri vrste prenočišča. Takšna priporočila so lahko zelo natančna glede na uporabnikovo zgodovino, a za izbiro počitnic verjetno neuporabna. Bolj primerna bi bila priporočila 5 počitniških paketov na različnih lokacijah, kjer bi se uporabnik odločil, katera mu je bolj všeč, in šele nato zahteval več podatkov o lokacijah, ki bi mu bile zanimive [4]. V tem magistrskem delu smo predlagali zasnovo priporočilnega sistema, pri katerem bi se z uporabo različnih algoritmov in s pomočjo prilagojenih metrik merjenja uspešnosti izognili temu problemu. Izvedli smo tudi eksperiment, kjer smo opazovali razmerje med raznolikostjo priporočenih produktov in zadovoljstvom uporabnikov. Za izvedbo eksperimenta smo izdelali pogovorni priporočilni sistem z nadzorovano raznolikostjo. Naš sistem temelji na že obstoječem priporočilnem sistemu Laboratorija za uporabniku prilagojene komunikacije in ambientno inteligenco. Eksperiment je potekal tako, da smo uporabnikom prikazali več priporočil z nadzorovano notranjo raznolikostjo, ob tem pa jih prosili za povratno informacijo o zadovoljstvu s skupino priporočenih produktov. V našem eksperimentu je sodelovalo 38 uporabnikov, ki so skupaj oddali 190 ocen raznolikosti skupin filmov in kakovosti priporočil. Na ocenah, ki so jih oddali uporabniki, smo izvedli analizo s pomočjo statističnih metod in ugotovili, da so naši rezultati statistično značilni pri 5-odstotnem tveganju. Zbrani eksperimentalni rezultati kažejo, da so uporabnikom bolj všeč priporočila z večjo skupinsko raznolikostjo. Vsekakor bi bilo eksperiment smiselno ponoviti z večjim številom sodelujočih uporabnikov in na različnih priporočilnih sistemih.20162016-07-07 12:05:02Magistrsko delo/naloga84063VisID: 34841sl