Recommender systems do not exist in

Recommender systems do not exist in a vacuum. Treating recommendation
abstractly as mathematical problem, aiming primarily to improve
offline evaluations with prediction accuracy metrics such as RMSE,
ignores the broader context of use and is not necessarily measuring
the impact these systems have on their users. Re-grounding recommender
systems in user needs can have a profound impact on how
we approach the field. Anchoring both the design of the recommender
system itself and the evaluation strategy used to measure its effectiveness
to a detailed understanding of user goals, tasks, and context can
enable us to build systems that better serve their users [74, 99].
Users use a recommender system for some purpose. With systems
like GroupLens and PHOAKS, that purpose can be to more easily filter
through high volumes of articles and find interesting new resources.Movie
recommenders can help users find new movies and choose films to watch.
A joke recommender can provide entertainment. In each case, we can consider
the recommendations to have some utility to the user. User needs can
also extend beyond the recommendation list — some users interact with
recommender systems for the purpose of self-expression, with the rating
process rather than the resulting recommendations being their desired
end [56, 61]. Evaluation metrics are useful, therefore, to the extent that
138
5.1 User Tasks 139
they map to (or at least correlate with) the user’s utility derived from
the system’s output (recommendations and predictions) and the overall
experience it provides. Task- and need-driven user-based studies are
needed to determine what factors actually do affect the system’s ability
to meet user needs and improve the user experience.
5.1 User Tasks
The classical recommender tasks of predict and recommend can be
re-cast in terms of user needs as “estimate how much I will like an
item” and “find items I will like”, respectively [61]. User needs can also
take more nuanced manifestations. For example, users can use a recommender
system to find new items the may like (introduction) or to recall
previous items they enjoyed (reuse); systems like the Pandora music
recommender are built to meet these two needs in balance (users want
to discover new music while also listening to music they know they like).
Users can also be interested in merely exploring the item space (explore,
the “Just Browsing” task of Herlocker et al. [61]) rather than supporting
a particular decision (make decision). Some users have the goal of
determining the recommender’s credibility (evaluate recommender ) —
they may wish to see how the recommender does at estimating their
preference for items they know well in order to determine how much
they trust its unfamiliar recommendations (or how much time they
want to invest in training the system). By supporting this last task, a
balance of familiar and unfamiliar items can be important in a developing
long-term relationships between users and recommenders [99].
The type of interaction the user has with the recommender also
impacts how it should perform. Does the user treat the recommender
as an information source to be searched, or as a decision support tool?
Even when using a recommender for decision support, users still have
differing goals. In some cases they may be primarily interested in exploring
the space of options. They may turn to the recommender to provide
them with a candidate set from which they will choose. In other
cases, they may want the recommender to actually make the selection.
A movie recommender or an e-commerce site is likely to be used
to explore or determine a candidate set; the user generally makes the
140 User Information Needs
final decision on which movie to see. Real-time music recommenders
such as Pandora, however, select a song for the user to hear next, providing
the user with a means for critiquing the decision but not often
do not allow the user directly select from a set of items.
Even recommenders with equivalent numerical performance can
have qualitative differences in their result lists [146]. McNee et al. [99]
call these personalities, and choosing an algorithm whose personality
matches the user’s needs can provide greater user satisfaction.
5.2 Needs for Individual Items
Thinking about prediction from the perspective of user perception
has led to the adoption of some common evaluation metrics: RMSE’s
increased penalty for high error and other variants on MAE designed
to distinguish high error both stem from the assumption that users are
likely to forgive a small error in preference estimation (such as mispredicting
by half a star), while gross errors (predicting a 3-star movie
as a 5-star) will more significantly hamper user experience. It is also
frequently more important to be accurate at the high end of the scale:
if the system correctly predicts that the user will dislike an item, does
it matter how mu

ผลลัพธ์ (ไทย) 1:

ผู้แนะนำระบบไม่อยู่ในสูญญากาศ การรักษาแนะนำabstractly เป็นปัญหาทางคณิตศาสตร์ หลักการปรับปรุงการประเมินผลกับการวัดความแม่นยำทำนายเช่น RMSE ออฟไลน์กว้างกว่าการใช้ละเว้น และจะไม่จำเป็นต้องวัดผลกระทบต่อระบบเหล่านี้มีในผู้ ผู้แนะนำดินอีกครั้งระบบผู้ใช้ต้องการสามารถมีผลกระทบอย่างลึกซึ้งเกี่ยวกับวิธีเราเข้าถึงฟิลด์ พื้น ๆ ทั้งการออกแบบของผู้ที่แนะนำระบบของตัวเองและกลยุทธ์การประเมินที่ใช้วัดประสิทธิผลของเพื่อความเข้าใจรายละเอียดของผู้ใช้เป้าหมาย ภารกิจ บริบทและสามารถช่วยให้เราสามารถสร้างระบบที่ให้ผู้ใช้ [74, 99]ผู้ใช้ระบบผู้แนะนำสำหรับวัตถุประสงค์บางอย่าง กับระบบเช่น GroupLens และ PHOAKS วัตถุประสงค์ที่สามารถกรองได้ง่ายขึ้นผ่านบทความและค้นหาทรัพยากรใหม่ที่น่าสนใจจำนวนมาก ภาพยนตร์recommenders สามารถช่วยผู้ใช้ค้นหาภาพยนตร์ใหม่ และเลือกภาพยนตร์ในการชมผู้แนะนำการเล่นให้ความบันเทิง ในแต่ละกรณี เราสามารถพิจารณาคำแนะนำมีประโยชน์บางอย่างกับผู้ใช้ ผู้ใช้ต้องการสามารถยัง ขยายเกินแนะนำรายการซึ่งผู้ใช้บางคนโต้ตอบกับผู้แนะนำระบบเพื่อวัตถุประสงค์ในการแสดงออก กับการจัดอันดับกระบวนการมากกว่าคำแนะนำได้ถูกความต้องการสิ้นสุด [56, 61] การวัดประเมินผลมีประโยชน์ ดังนั้น เท่าที่1385.1 ผู้ใช้งาน 139ไป (หรือน้อย correlate กับ) อรรถประโยชน์ของผู้ใช้มาจากผลลัพธ์ของระบบ (คำแนะนำและคาดการณ์) และโดยรวมประสบการณ์ที่มี ควบคุมงาน และต้องศึกษาผู้ใช้จำเป็นต้องพิจารณาปัจจัยอะไรจริงส่งผลต่อความสามารถของระบบเพื่อสนองความต้องการของผู้ใช้ และปรับปรุงประสบการณ์การใช้งาน5.1 ผู้ใช้งานงานคลาสสิกผู้แนะนำการคาดคะเนและแนะนำได้หล่ออีกครั้งในแง่ของความต้องการของผู้ใช้เป็น "ประเมินว่าจะชอบการสินค้า"และ"ค้นหารายการที่จะชอบ" ตามลำดับ [61] ผู้ใช้ต้องการสามารถใช้เวลามากขึ้นคลี่อาการ ตัวอย่างเช่น ผู้ใช้สามารถใช้ดาต้าระบบ การค้นหารายการใหม่พฤษภาคมเช่น (แนะนำ) หรือ จะเรียกคืนรายการก่อนที่พวกเขาจัดเตรียม (นำ); ระบบเช่นเพลงแพนโดร่าผู้แนะนำถูกสร้างขึ้นเพื่อสนองความต้องการเหล่านี้สองในดุล (ผู้ใช้ต้องการค้นพบเพลงใหม่ในขณะที่ยัง ฟังเพลง พวกเขารู้ว่า พวกเขาชอบ)ผู้ใช้สามารถยังสนใจเพียงสำรวจอวกาศสินค้า (สำรวจ"เรียกดู" งานของ Herlocker et al. [61]) แทนที่จะสนับสนุนการตัดสินใจเฉพาะ (ตัดสินใจ) ผู้ใช้บางคนมีเป้าหมายของการพิจารณาความน่าเชื่อถือของผู้แนะนำ (ผู้แนะนำประเมิน) —พวกเขาอาจต้องดูที่ผู้แนะนำอย่างไรที่ประเมินของพวกเขาความต้องการสินค้าที่พวกเขารู้ดีเพื่อกำหนดเท่าใดพวกเขาเชื่อถือคำแนะนำที่ไม่คุ้นเคย (หรือว่าเวลาพวกเขาต้องการลงทุนในระบบการฝึกอบรม) โดยการสนับสนุนงานนี้ครั้งสุดท้าย การยอดดุลของสินค้าที่คุ้นเคย และไม่คุ้นเคยได้อย่างสำคัญในการพัฒนาความสัมพันธ์ระยะยาวระหว่างผู้ใช้และ recommenders [99]ชนิดของการโต้ตอบผู้ใช้กับผู้แนะนำที่ยังมีผลกระทบต่อวิธีที่ควรทำ ผู้ปฏิบัติต่อผู้ที่แนะนำเป็นแหล่งข้อมูลที่จะค้นหา หรือเป็นการตัดสินใจสนับสนุนเครื่องมือแม้ใช้ดาต้าสำหรับสนับสนุนการตัดสินใจ ผู้ใช้ยังคงมีเป้าหมายที่แตกต่างกัน ในบางกรณี พวกเขาอาจจะสนใจเป็นหลักในการสำรวจพื้นที่ที่เลือก พวกเขาอาจเปิดให้ผู้แนะนำให้พวกเขา มีชุดผู้สมัครที่พวกเขาจะเลือก ในอื่น ๆกรณี พวกเขาอาจต้องการผู้แนะนำได้ ทำการเลือกมีผู้แนะนำภาพยนตร์หรือไซต์พาณิชย์อิเล็กทรอนิกส์มีแนวโน้มที่จะใช้การสำรวจ หรือตรวจสอบผู้สมัครตั้ง ผู้ที่ทำให้การผู้ใช้ข้อมูลต้องการ 140การตัดสินใจขั้นสุดท้ายในภาพยนตร์เพื่อดู Recommenders เพลงแบบเรียลไทม์เช่นแพนโดร่า อย่างไรก็ตาม เลือกเพลงสำหรับผู้ฟังถัดไป ให้ผู้ใช้ที่ มีความหมายสำหรับ critiquing การตัดสินใจ แต่ไม่บ่อยไม่อนุญาตให้ผู้ใช้เลือกโดยตรงจากชุดของรายการสามารถ recommenders ได้ มีประสิทธิภาพเทียบเท่าตัวเลขมีความแตกต่างเชิงคุณภาพในรายการผลการค้นหาของตน [146] McNee et al. [99]บุคลิกเหล่านี้ และเลือกอัลกอริทึมที่มีบุคลิกตรงกับความต้องการของผู้ใช้สามารถให้ความพึงพอใจผู้ใช้มากขึ้น5.2 ความต้องการสำหรับแต่ละรายการความคิดเกี่ยวกับการทำนายจากมุมมองของการรับรู้ของผู้ใช้นำไปสู่การยอมรับของบางตัวชี้วัดการประเมินทั่วไป: ของ RMSEเพิ่มโทษสำหรับข้อผิดพลาดสูงและสายพันธุ์อื่น ๆ ในแม่ออกเพื่อแยกทั้งสองเกิดจากสมมติฐานที่ผู้ใช้มีข้อผิดพลาดสูงแนวโน้มที่จะให้อภัยมีข้อผิดพลาดเล็กน้อยในการประเมินค่า (เช่น mispredictingโดยครึ่งดาว), ในขณะที่ข้อผิดพลาดรวม (ทำนายภาพยนตร์ระดับ 3-ดาวเป็นแบบ 5 ดาว) จะเพิ่มเติมอย่างมีนัยสำคัญขัดขวางประสบการณ์ผู้ใช้ ก็ยังบ่อยที่สำคัญมากที่มีความถูกต้องที่มาตราส่วนที่สูง:หากระบบถูกคาดการณ์ว่า ผู้ใช้จะไม่ชอบสินค้ามันสำคัญว่าหมู่

ผลลัพธ์ (ไทย) 2:

ระบบ Recommender ไม่อยู่ในสูญญากาศ คำแนะนำการรักษา
เป็นนามธรรมเป็นปัญหาทางคณิตศาสตร์ที่มีเป้าหมายหลักในการปรับปรุง
การประเมินผลแบบออฟไลน์กับตัวชี้วัดที่ถูกต้องทำนายเช่น RMSE,
ละเว้นบริบทที่กว้างขึ้นของการใช้งานและไม่จำเป็นต้องวัด
ส่งผลกระทบต่อระบบเหล่านี้มีอยู่ในผู้ใช้ของตน Re-ดิน recommender
ระบบในความต้องการของผู้ใช้อาจมีผลกระทบอย่างลึกซึ้งเกี่ยวกับวิธีการ
ที่เราเข้าใกล้สนาม การยึดทั้งการออกแบบของ recommender
ระบบตัวเองและกลยุทธ์การประเมินผลที่ใช้ในการวัดประสิทธิภาพของมัน
เพื่อความเข้าใจรายละเอียดของเป้าหมายของผู้ใช้งานและบริบทสามารถ
ช่วยให้เราสามารถสร้างระบบที่ตอบสนองผู้ใช้ของตน [74, 99].
ผู้ใช้ ระบบ recommender เพื่อวัตถุประสงค์บางอย่าง กับระบบ
เช่น GroupLens และ PHOAKS วัตถุประสงค์ที่สามารถเป็นไปได้ง่ายขึ้นกรอง
ผ่านปริมาณสูงของบทความและพบที่น่าสนใจ resources.Movie ใหม่
recommenders สามารถช่วยให้ผู้ใช้สามารถค้นหาหนังใหม่และเลือกที่จะดูหนัง.
recommender ตลกสามารถให้ความบันเทิง ในแต่ละกรณีเราสามารถพิจารณา
ข้อเสนอแนะที่จะมียูทิลิตี้บางส่วนให้กับผู้ใช้ ต้องการของผู้ใช้สามารถ
ยังขยายเกินรายการที่แนะนำ - ผู้ใช้บางคนมีปฏิสัมพันธ์กับ
ระบบ recommender สำหรับวัตถุประสงค์ของการแสดงออกโดยมีการประเมิน
กระบวนการมากกว่าคำแนะนำที่เกิดขึ้นเป็นที่ต้องการของพวกเขา
ในตอนท้าย [56, 61] ตัวชี้วัดการประเมินผลที่มีประโยชน์ดังนั้นในขอบเขตที่
138
5.1 ผู้ใช้งาน 139
พวกเขาแมปไป (หรืออย่างน้อยมีความสัมพันธ์กับ) ยูทิลิตี้ของผู้ใช้ที่ได้มาจาก
ระบบการส่งออก (คำแนะนำและการคาดการณ์) และโดยรวม
ประสบการณ์ก็มี การศึกษาผู้ใช้ตาม Task- และความจำเป็นที่ขับเคลื่อนด้วยกำลัง
ที่จำเป็นในการตรวจสอบสิ่งที่ปัจจัยจริงจะส่งผลกระทบต่อความสามารถของระบบ
เพื่อตอบสนองความต้องการของผู้ใช้และปรับปรุงประสบการณ์ของผู้ใช้.
5.1 ผู้ใช้งาน
งาน recommender คลาสสิกของการทำนายและให้คำแนะนำสามารถ
re-cast ในแง่ ต้องการของผู้ใช้เป็น "ประมาณการว่าฉันจะชอบ
รายการ" และ "พบรายการที่ผมจะชอบ" ตามลำดับ [61] ความต้องการของผู้ใช้ยังสามารถ
ใช้อาการที่เหมาะสมยิ่งขึ้น ตัวอย่างเช่นผู้ใช้สามารถใช้ recommender
ระบบที่จะหารายการใหม่อาจต้องการ (แนะนำ) หรือจำ
รายการก่อนหน้านี้พวกเขามีความสุข (ใช้ซ้ำ); ระบบเช่นเพลง Pandora
recommender ถูกสร้างขึ้นเพื่อตอบสนองความต้องการทั้งสองความต้องการในความสมดุล (ผู้ใช้ต้องการ
ที่จะค้นพบเพลงใหม่ในขณะที่ยังฟังเพลงที่พวกเขารู้ว่าพวกเขาต้องการ).
ผู้ใช้ยังสามารถมีความสนใจในเพียงการสำรวจพื้นที่รายการ (สำรวจ
"แค่ เรียกดู "งานของการ Herlocker et al. [61]) มากกว่าการสนับสนุน
การตัดสินใจโดยเฉพาะอย่างยิ่ง (ตัดสินใจ) ผู้ใช้บางคนมีเป้าหมายของ
การพิจารณาความน่าเชื่อถือ recommender ของ (ประเมิน recommender) -
พวกเขาอาจต้องการที่จะดูว่า recommender ไม่ในการประเมินของพวกเขา
ตั้งค่าสำหรับรายการที่พวกเขารู้ดีเพื่อที่จะกำหนดวิธีการมาก
ที่พวกเขาเชื่อถือคำแนะนำที่ไม่คุ้นเคยของมัน (หรือเท่าใดเวลาที่พวกเขา
ต้องการที่จะลงทุนในการฝึกอบรมระบบ) โดยการสนับสนุนงานที่ผ่านมานี้
ยอดคงเหลือของรายการที่คุ้นเคยและไม่คุ้นเคยจะมีความสำคัญในการพัฒนา
ความสัมพันธ์ระยะยาวระหว่างผู้ใช้และ recommenders [99].
ประเภทของการปฏิสัมพันธ์ของผู้ใช้มีกับ recommender ยัง
ส่งผลกระทบต่อวิธีการที่ควรดำเนินการ ผู้ใช้ไม่รักษา recommender
เป็นแหล่งข้อมูลที่จะค้นหาหรือเป็นเครื่องมือสนับสนุนการตัดสินใจ?
แม้เมื่อใช้ recommender สำหรับสนับสนุนการตัดสินใจของผู้ใช้ยังคงมี
เป้าหมายที่แตกต่างกัน ในบางกรณีพวกเขาอาจจะสนใจในการสำรวจ
พื้นที่ของตัวเลือก พวกเขาอาจจะหันไป recommender ที่จะให้
พวกเขาด้วยชุดผู้สมัครจากที่พวกเขาจะเลือก อื่น ๆ ใน
กรณีที่พวกเขาอาจต้องการ recommender จริงให้เลือก.
recommender ภาพยนตร์หรือเว็บไซต์ e-Commerce มีแนวโน้มที่จะถูกนำมาใช้
ในการสำรวจหรือตรวจสอบชุดผู้สมัคร; ผู้ใช้โดยทั่วไปทำให้
ข้อมูล 140 ผู้ใช้ต้อง
ตัดสินใจขั้นสุดท้ายในซึ่งเป็นภาพยนตร์ที่จะเห็น recommenders เพลงแบบ Real-time
เช่นแพนดอร่า แต่เลือกเพลงสำหรับผู้ใช้ที่จะได้ยินต่อไปให้
ผู้ใช้ที่มีความหมายสำหรับวิจารณ์การตัดสินใจ แต่ไม่บ่อย
ไม่อนุญาตให้ผู้ใช้โดยตรงเลือกจากชุดของรายการ.
recommenders ถึงแม้จะมี ประสิทธิภาพเทียบเท่าตัวเลขสามารถ
มีความแตกต่างเชิงคุณภาพในรายการของพวกเขาผล [146] McNee et al, [99]
โทรบุคลิกเหล่านี้และการเลือกอัลกอริทึมที่มีบุคลิกที่
ตรงกับความต้องการของผู้ใช้สามารถให้ความพึงพอใจของผู้ใช้มากขึ้น.
5.2 ความต้องการสำหรับแต่ละรายการ
คิดเกี่ยวกับการทำนายจากมุมมองของการรับรู้ของผู้ใช้ที่
ได้นำไปสู่การยอมรับของตัวชี้วัดการประเมินผลบางอย่างร่วมกัน: RMSE ของ
เพิ่มขึ้น โทษสำหรับความผิดพลาดสูงและสายพันธุ์อื่น ๆ เกี่ยวกับแม่ได้รับการออกแบบ
ที่จะแยกแยะข้อผิดพลาดสูงทั้งต้นกำเนิดจากสมมติฐานที่ว่าผู้ใช้จะ
มีแนวโน้มที่จะให้อภัยความผิดพลาดเล็ก ๆ ในการประมาณค่าการตั้งค่า (เช่น mispredicting
โดยครึ่งหนึ่งดาว) ในขณะที่ข้อผิดพลาดขั้นต้น (คาดการณ์ 3 ดาว ภาพยนตร์
เป็นโรงแรมระดับ 5 ดาว) มากขึ้นอย่างมีนัยสำคัญจะขัดขวางประสบการณ์ของผู้ใช้ นอกจากนี้ยังเป็น
ที่พบบ่อยมากขึ้นที่สำคัญจะต้องมีความถูกต้องแม่นยำในระดับไฮเอนด์ของขนาด:
ถ้าระบบอย่างถูกต้องคาดการณ์ว่าผู้ใช้จะไม่ชอบรายการไม่
ว่าจะเป็น MU

ผลลัพธ์ (ไทย) 3:

แนะนำระบบไม่ได้อยู่ในสูญญากาศ การแนะนำเป็นปัญหาทางคณิตศาสตร์ abstractly วัตถุประสงค์หลักเพื่อปรับปรุงออฟไลน์การประเมินผลกับการทำนายความถูกต้องวัดเช่น RMSE ,ไม่สนใจบริบทที่กว้างของการใช้ และ ไม่จําเป็นต้องเป็นวัดผลกระทบเหล่านี้มีในระบบของผู้ใช้ Re : แนะนำ ดินระบบในความต้องการของผู้ใช้สามารถมีผลกระทบลึกซึ้งแค่ไหนเราเข้าใกล้เขต ทอดสมอทั้งการออกแบบของแนะนำระบบเองและตรวจสอบกลยุทธ์ที่ใช้ในการวัดประสิทธิภาพของเพื่อความเข้าใจรายละเอียดของเป้าหมาย ผู้ใช้งานและบริบทสามารถช่วยเราในการสร้างระบบที่ตอบสนองผู้ใช้ 99 [ 74 ]ผู้ใช้ที่ใช้แนะนำระบบสำหรับวัตถุประสงค์ ด้วยระบบชอบ grouplens phoaks และวัตถุประสงค์ที่สามารถกรองได้อย่างง่ายดายมากขึ้นโดยปริมาณของบทความสูงและหาทรัพยากรใหม่ที่น่าสนใจ ภาพยนตร์recommenders สามารถช่วยให้ผู้ใช้สามารถค้นหาหนังใหม่และเลือกหนังที่จะดูเรื่องตลกแนะนำสามารถให้ความบันเทิง ในแต่ละกรณี เราสามารถพิจารณาแนะนำให้มีสาธารณูปโภคเพื่อผู้ใช้ ความต้องการของผู้ใช้สามารถยังขยายนอกเหนือจากรายการ - แนะนำผู้ใช้บางคน โต้ตอบกับแนะนำระบบสำหรับวัตถุประสงค์ของการแสดงออก กับอันดับกระบวนการมากกว่าผลของพวกเขาที่ต้องการ แนะนำเป็น56 จบ [ 61 ] ตัวชี้วัดการประเมินผลประโยชน์ ดังนั้น ในขอบเขตที่1385.1 งาน 139 ผู้ใช้พวกเขาแผนที่ ( หรืออย่างน้อย มีความสัมพันธ์กับ ) ของผู้ใช้ยูทิลิตี้ที่ได้มาจากผลผลิตของระบบ ( แนะนำและการคาดการณ์ ) และโดยรวมประสบการณ์มันมี งานและต้องการขับไล่ผู้ใช้ที่ใช้ศึกษาคือต้องการหาปัจจัยอะไรส่งผลกระทบต่อความสามารถของระบบเพื่อตอบสนองความต้องการของผู้ใช้ และปรับปรุงประสบการณ์ของผู้ใช้5.1 งานผู้ใช้คลาสสิกที่แนะนำงานทำนายและแนะนำ สามารถRe : โยนในแง่ของความต้องการของผู้ใช้เป็น " ประมาณเท่าไหร่ ผมจะชอบรายการ " และ " พบรายการผมจะชอบ " ตามลำดับ [ 61 ] ความต้องการของผู้ใช้ยังสามารถใช้เวลาเหมาะสมสำแดง . ตัวอย่างเช่นผู้ใช้สามารถใช้แนะนำระบบค้นหาสินค้าใหม่ อาจจะชอบ ( แนะนำ ) หรือเรียกคืนก่อนหน้ารายการที่พวกเขาชอบ ( ใหม่ ) ; ระบบชอบเพลงแพนโดร่าแนะนำที่ถูกสร้างขึ้นเพื่อตอบสนองความต้องการเหล่านี้สองยอด ( ผู้ใช้ต้องการค้นพบเพลงใหม่ในขณะที่ยังฟังเพลงของพวกเขาทราบว่า พวกเขาต้องการ )ผู้ใช้ยังสามารถจะสนใจแค่สำรวจรายการพื้นที่สำรวจ" ก็เรียก " งานของ herlocker et al . [ 61 ] ) แทนที่จะสนับสนุนการตัดสินใจโดยเฉพาะ ( ตัดสินใจ ) ผู้ใช้บางคนมีเป้าหมายของกำหนด ( ประเมินความน่าเชื่อถือของผู้แนะนำแนะนำ )พวกเขาอาจต้องการที่จะดูที่การแนะนำของพวกเขาการตั้งค่าสำหรับรายการที่พวกเขารู้จักดีเพื่อตรวจสอบเท่าใดพวกเขาไว้ใจมันไม่คุ้นเคย แนะนำ หรือวิธีการมากเวลาที่พวกเขาต้องการลงทุนในการฝึกอบรมระบบ ) สนับสนุนงานล่าสุดนี้ความสมดุลของคุ้นเคยและไม่คุ้นเคย รายการ สามารถ ที่สำคัญในการพัฒนาความสัมพันธ์ระยะยาวระหว่างผู้ใช้และ recommenders [ 99 ]ประเภทของการปฏิสัมพันธ์ของผู้ใช้กับผู้แนะนำยังผลกระทบอย่างไรก็ควรดำเนินการ ไม่ใช้รักษาแนะนำเป็นแหล่งข้อมูลที่จะค้นหา หรือเป็นเครื่องมือสนับสนุนการตัดสินใจ ?แม้ว่าจะใช้แนะนำเพื่อสนับสนุนการตัดสินใจของผู้ใช้ยังคงมีที่มีเป้าหมาย ในบางกรณีที่พวกเขาอาจจะสนใจในการเป็นหลักพื้นที่ของตัวเลือก พวกเขาอาจจะแนะนำให้ให้กับผู้สมัครชุดจากที่พวกเขาจะเลือก ในอื่น ๆกรณี , พวกเขาอาจต้องการผู้ที่จะทำให้การเลือกหนังแนะนำหรืออีคอมเมิร์ซเว็บไซต์มีแนวโน้มที่จะใช้การสำรวจหรือตรวจสอบผู้สมัครชุด ผู้ใช้โดยทั่วไป ทำให้ความต้องการสารสนเทศของผู้ใช้ 140การตัดสินใจขั้นสุดท้ายในที่ภาพยนตร์เห็น เพลง recommenders เวลาจริงเช่น แพนโดร่า แต่เลือกเพลงสำหรับผู้ใช้เพื่อให้ฟังต่อไปผู้ใช้ ด้วยวิธีการการวิพากษ์ในการตัดสิน แต่ไม่บ่อยนักไม่อนุญาตให้ผู้ใช้โดยตรงเลือกจากชุดของรายการแม้ recommenders ประสิทธิภาพเทียบเท่ากับตัวเลขสามารถมีความแตกต่างเชิงคุณภาพ ผลของรายการ [ 146 ] เมิ่กนี่ et al . [ 99 ]เรียกบุคคลเหล่านี้ และเลือกอัลกอริทึมที่มีบุคลิกภาพตรงกับความต้องการของผู้ใช้ สามารถให้ความพึงพอใจของผู้ใช้มากขึ้น5.2 ความต้องการสำหรับแต่ละรายการคิดเกี่ยวกับการทำนายจากมุมมองของการรับรู้ของผู้ใช้ได้นำไปสู่การยอมรับบางตัวชี้วัดการประเมินผลทั่วไป : วิธีการของโทษที่เพิ่มขึ้นสำหรับความผิดพลาดสูงและตัวแปรอื่น ๆ แม่ออกแบบเพื่อแยกความผิดพลาดสูงทั้งต้นจากข้อสมมติว่าผู้ใช้คือมีแนวโน้มที่จะให้อภัยข้อผิดพลาดเล็ก ๆในการตั้งค่า ( เช่น mispredictingโดยดาวครึ่ง ) ในขณะที่ข้อผิดพลาดขั้นต้น ( ทำนายภาพยนตร์ ระดับ 3 ดาวเป็นโรงแรมระดับ 5 ดาว ) จะมากขึ้นอย่างมีนัยสำคัญขัดขวางประสบการณ์ของผู้ใช้ มันเป็นยังบ่อย ๆที่สำคัญมีความถูกต้องที่สิ้นสุดสูงของค่าถ้าระบบได้อย่างถูกต้องคาดการณ์ว่าผู้ใช้จะไม่ชอบสินค้า ไม่มันเรื่องไร มู