view in publisher's site

Context Dependent Preference Acquisition with Personality-Based Active Learning in Mobile Recommender Systems

Nowadays, Recommender Systems (RSs) play a key role in many businesses. They provide consumers with relevant recommendations, e.g., Places of Interest (POIs) to a tourist, based on user preference data, mainly in the form of ratings for items. The accuracy of recommendations largely depends on the quality and quantity of the ratings (preferences) provided by the users. However, users often tend to rate no or only few items, causing low accuracy of the recommendation. Active Learning (AL) addresses this problem by actively selecting items to be presented to the user in order to acquire a larger number of high-quality ratings (preferences), and hence, improve the recommendation accuracy. In this paper, we propose a personalized active learning approach that leverages user’s personality data to get more and better in-context ratings. We have designed a novel human computer interaction and assessed our proposed approach in a live user study - which is not common in active learning research. The main result is that the system is able to collect better ratings and provide more relevant recommendations compared to a variant that is using a state of the art approach to preference acquisition.

مفهوم ترجیحات وابسته به زمینه با یادگیری فعال مبتنی بر شخصیت در سیستم‌های تلفن همراه

امروزه سیستم‌های Recommender (RSs)نقشی کلیدی در بسیاری از کسبوکارها ایفا می‌کنند. آن‌ها مشتریان را با توصیه‌های مرتبط، مثلا، مکان‌های بهره (POIs)به یک توریست، براساس داده‌های اولویت کاربر، عمدتا به شکل درجه‌بندی برای آیتم‌ها، تامین می‌کنند. دقت توصیه‌ها تا حد زیادی به کمیت و کمیت امتیازات ارایه‌شده توسط کاربران بستگی دارد. با این حال، کاربران اغلب تمایل دارند که نه تنها چند آیتم را افزایش دهند و موجب دقت پایین توصیه شوند. یادگیری فعال (AL)این مشکل را با انتخاب موادی که به منظور به دست آوردن تعداد بیشتری از امتیازات با کیفیت بالا (preferences)به کاربر ارایه می‌شوند، و از این رو، دقت توصیه را بهبود می‌بخشد. در این مقاله، ما یک رویکرد یادگیری فعال شخصی را پیشنهاد می‌کنیم که داده‌های شخصیت کاربر را افزایش می‌دهد تا رده‌بندی بیشتر و بهتر را بدست آورد. ما یک تعامل کامپیوتری جدید را طراحی کردیم و رویکرد پیشنهادی خود را در یک مطالعه زنده کاربر ارزیابی کردیم - که در تحقیق یادگیری فعال رایج نیست. نتیجه اصلی این است که سیستم قادر به جمع‌آوری امتیازات بهتر و ارائه توصیه‌های مرتبط بیشتر در مقایسه با یک نوع از رویکرد هنری به کسب برتری است.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.