21 Group Recommender Systems: Combi

21 Group Recommender Systems: Combining Individual Models 697
21.7.3 Virtual Group Members

Finally, group adaptation can also be used when adapting to an individual by adding
virtual members to the group. For instance, a parent may be fine with the television
entertaining their child, but may also want the child occasionally to learn something.
When the child is alone, the profile of the parent can be added to the group as a
virtual group member, and the TV could try to satisfy both.


21.8 Conclusions and Challenges

Group recommendation is a relatively new research area. This chapter is intended
as an introduction in the area, in particular on aggregating individual user profiles.
For more detail please see [10, 12, 14, 11, 9, 7, 8].


21.8.1 Main Issues Raised

The main issues raised in this chapter are:
• Adapting to groups is needed in many scenarios such as interactive TV, am-
bient intelligence, recommending to tourist groups, etc. Inspired by the differ-
ences between scenarios, group recommenders can be classified using multiple
dimensions.
• Many strategies exist for aggregating individual preferences (see Table 21.3),
and some perform better than others. Users seem to care about avoiding misery
and fairness.
• Existing group recommenders differ on the classification dimensions and in the
aggregation strategies used. See Table 21.9 for an overview.
• When recommending a sequence of items, aggregation of individual profiles has
to occur at each step in the sequence, as earlier items may impact the ratings of
later items.
• It is possible to construct satisfaction functions to predict how satisfied an indi-
vidual will be at any time during a sequence. However, group interaction effects
(such as emotional contagion and conformity) can make this complicated.
• It is possible to evaluate in experiments how good aggregation strategies and
satisfaction functions are, though this is not an easy problem.
• Group aggregation strategies are not only important when recommending to
groups of people, but can also be applied when recommending to individuals,
e.g. to prevent the cold-start problem and deal with multiple criteria.

ผลลัพธ์ (ไทย) 1:

21 กลุ่มระบบผู้แนะนำ: รวมบุคคลรุ่น 69721.7.3 สมาชิกกลุ่มเสมือนในที่สุด กลุ่มปรับตัวยังสามารถใช้เมื่อดร.บุคคล โดยเพิ่มสมาชิกกลุ่มเสมือน ตัวอย่าง หลักอาจจะ fine กับเครื่องรับโทรทัศน์รับรองเด็กของพวกเขา แต่อาจยังต้องการให้ลูกเป็นครั้งคราวเพื่อเรียนรู้บางสิ่งบางอย่างเมื่อเด็กอยู่คนเดียว สามารถเพิ่ม profile ของกลุ่มเป็นการสมาชิกกลุ่มเสมือน และทีวีสามารถลองรับทั้ง21.8 และการท้าทายแนะนำกลุ่มเป็นพื้นที่วิจัยค่อนข้างใหม่ บทนี้มีวัตถุประสงค์เป็นการนำในพื้นที่ โดยเฉพาะอย่างยิ่ง ในการรวบรวม profiles ผู้สำหรับรายละเอียดเพิ่มเติมโปรดดู [10, 12, 14, 11, 9, 7, 8]21.8.1 ปัญหาหลักของขึ้นประเด็นหลักในบทนี้คือ:•ดร.กลุ่มจำเป็นต้องใช้ในหลายสถานการณ์โทรทัศน์แบบโต้ตอบ am-bient ปัญญา แนะนำให้กับกลุ่มนักท่องเที่ยว ฯลฯ แรงบันดาลใจแตก-ences ระหว่างสถานการณ์ กลุ่ม recommenders สามารถใช้หลาย classifiedมิติ•มีหลายกลยุทธ์สำหรับการรวบรวมความชอบส่วนตัว (ดูตาราง 21.3),และบางคนทำดีกว่าผู้อื่น ผู้ใช้ที่ดูเหมือนจะ ดูแลเกี่ยวกับการหลีกเลี่ยงความทุกข์ยากและเป็นธรรม•อยู่กลุ่ม recommenders แตกต่าง กับขนาด classification และในการใช้กลยุทธ์รวม ดู 21.9 ตารางในภาพรวม•เมื่อแนะนำลำดับของสินค้า รวมของแต่ละ profiles ได้เกิดขึ้นในแต่ละขั้นตอนตามลำดับ เป็นรายการก่อนหน้านี้อาจมีผลกระทบต่อการจัดอันดับของสินค้าในภายหลัง•สามารถสร้างฟังก์ชันความพึงพอใจเพื่อทำนายว่า satisfied indi -vidual จะเป็นตลอดเวลาในระหว่างลำดับ อย่างไรก็ตาม กลุ่มโต้ตอบลักษณะ(เช่นอารมณ์แพร่กระจายและ conformity) สามารถทำการนี้มีความซับซ้อนได้•เป็นการประเมินในการทดลองรวมกลยุทธ์วิธีที่ดี และฟังก์ชันความพึงพอใจได้ แม้ว่าไม่มีปัญหาง่าย•กลยุทธ์การรวมกลุ่มไม่ใช่เฉพาะสำคัญเมื่อแนะนำให้กับกลุ่มคน แต่ยังสามารถประยุกต์ใช้เมื่อแนะนำให้กับบุคคลเช่นการป้องกันปัญหาเริ่มเย็น และจัดการกับหลายเงื่อนไข

ผลลัพธ์ (ไทย) 2:

21 กลุ่มผู้แนะนำระบบ: รวมแต่ละรุ่น 697
21.7.3 เสมือนสมาชิกกลุ่มสุดท้ายกลุ่มปรับตัวนอกจากนี้ยังสามารถนำมาใช้เมื่อปรับตัวเข้ากับแต่ละบุคคลโดยการเพิ่มสมาชิกเสมือนไปยังกลุ่ม ยกตัวอย่างเช่นผู้ปกครองอาจจะสายตะวันออกเฉียงเหนือที่มีโทรทัศน์บันเทิงของเด็ก แต่ยังอาจต้องการให้เด็กเป็นครั้งคราวในการเรียนรู้บางสิ่งบางอย่าง. เมื่อเด็กเป็นคนเดียวโปรไฟ le ของผู้ปกครองสามารถเพิ่มไปยังกลุ่มเป็นสมาชิกกลุ่มเสมือนจริงและ ทีวีจะพยายามที่จะตอบสนองทั้ง. 21.8 สรุปผลการวิจัยและความท้าทายคำแนะนำกลุ่มวิจัยที่ค่อนข้างใหม่ บทนี้มีไว้เป็นเบื้องต้นในพื้นที่โดยเฉพาะอย่างยิ่งเกี่ยวกับการรวมกันของผู้ใช้แต่ละโปรไฟ les. สำหรับรายละเอียดเพิ่มเติมโปรดดู [10, 12, 14, 11, 9, 7, 8]. 21.8.1 หลักประเด็นที่ยกประเด็นหลักที่ยก ในบทนี้คือ: •ปรับตัวเข้ากับกลุ่มเป็นสิ่งจำเป็นในสถานการณ์หลายอย่างเช่นทีวีโต้ตอบ am- ปัญญา bient แนะนำไปยังกลุ่มนักท่องเที่ยว ฯลฯ แรงบันดาลใจจากความแตกต่างระหว่าง ences สถานการณ์ Recommenders กลุ่มสามารถจัดประเภทโดยใช้หลายขนาด. • กลยุทธ์มากมายที่มีอยู่สำหรับการรวมความชอบของแต่ละบุคคล (ดูตารางที่ 21.3) และบางส่วนทำงานได้ดีกว่าคนอื่น ๆ ผู้ใช้งานที่ดูเหมือนจะดูแลเกี่ยวกับการหลีกเลี่ยงความทุกข์ยากและความเป็นธรรม. •มีอยู่ Recommenders กลุ่มแตกต่างกันในขนาดไอออนบวกจัดประเภทและกลยุทธ์การรวมตัวที่ใช้ ดูตารางที่ 21.9 สำหรับภาพรวม. •เมื่อแนะนำลำดับของรายการที่รวมตัวของแต่ละโปรไฟ les ได้ที่จะเกิดขึ้นในแต่ละขั้นตอนในลำดับเป็นรายการก่อนหน้านี้อาจจะส่งผลกระทบต่อการจัดอันดับของรายการในภายหลัง. •มันเป็นไปได้ที่จะสร้างฟังก์ชั่นความพึงพอใจในการทำนาย วิธี Fi satis เอ็ดแสดงให้vidual จะเป็นในเวลาใดระหว่างลำดับ อย่างไรก็ตามผลกระทบปฏิสัมพันธ์กลุ่ม(เช่นการติดเชื้อทางอารมณ์และ Conformity) สามารถทำให้ซับซ้อน. •มันเป็นไปได้ที่จะประเมินผลในการทดลองวิธีการกลยุทธ์การรวมตัวที่ดีและความพึงพอใจของฟังก์ชั่นมี แต่นี้ไม่ได้เป็นปัญหาที่ง่าย. •กลยุทธ์การรวมกลุ่มไม่เพียง แต่ ที่สำคัญเมื่อแนะนำให้กลุ่มคน แต่ยังสามารถนำมาใช้เมื่อแนะนำให้กับประชาชนเช่นเพื่อป้องกันไม่ให้ปัญหาเย็นเริ่มต้นและจัดการกับหลายเกณฑ์

ผลลัพธ์ (ไทย) 3:

แนะนำระบบ 21 กลุ่ม : รวมโมเดลแล้ว


ในที่สุดสมาชิกกลุ่มเสมือน 21.7.3 บุคคล การปรับตัวของกลุ่มยังสามารถใช้เมื่อการปรับตัวเข้ากับบุคคลโดยการเพิ่ม
สมาชิกเสมือนกลุ่ม เช่น พ่อแม่อาจจะถ่ายทอดเน่กับโทรทัศน์
ความบันเทิงเด็กของพวกเขา แต่ยังต้องการเด็กเป็นครั้งคราว เพื่อได้เรียนรู้บางอย่าง
ตอนที่เด็กคนเดียวโปรจึงเลอของผู้ปกครองสามารถเพิ่มกลุ่มเป็น
สมาชิกกลุ่มเสมือน และ ทีวี ได้พยายามที่จะตอบสนองทั้งสอง




กลุ่มแพร่ข้อสรุปและความท้าทายเป็นค่อนข้างใหม่เพื่อแนะนำพื้นที่ บทนี้ตั้งใจ
เป็นเบื้องต้น ในพื้นที่ โดยเฉพาะในแต่ละปี ผู้ใช้จึงเลส
สำหรับรายละเอียดเพิ่มเติมกรุณาดูที่ [ 10 , 12 , 14 , 11 , 9 , 7 , 8 ] .

21.8 .1 ประเด็นหลักเลี้ยง

ชูประเด็นหลักในบทนี้คือ :
- การปรับตัวเข้ากับกลุ่มเป็นสิ่งจำเป็นในสถานการณ์ต่างๆ มากมาย เช่น ทีวีแบบโต้ตอบ , -
ยังไงปัญญาแนะนำให้กลุ่มนักท่องเที่ยว ฯลฯ จากแรงบันดาลใจ โดยแตกต่าง -
ences ระหว่างสถานการณ์ กลุ่ม recommenders สามารถ classi จึงเอ็ดใช้หลายมิติ


- กลยุทธ์มากมายที่มีอยู่สำหรับปี ความชอบของแต่ละบุคคล ( ดูจากตาราง 21.3 )
และเล่นได้ดีขึ้นกว่าคนอื่น ๆ ผู้ใช้ดูเหมือนจะดูแลเกี่ยวกับการหลีกเลี่ยงความทุกข์

และความเป็นธรรม ที่แต่ละกลุ่มที่มีอยู่ recommenders แตกต่างใน classi จึงบวกขนาดและใน
รวมกลยุทธ์ที่ใช้ เห็นตาราง 7.0 สำหรับภาพรวม .
- เมื่อแนะนำลำดับของรายการ การรวมตัวของบุคคล Pro จึงเลสได้
ที่จะเกิดขึ้นในแต่ละขั้นตอนในลำดับ รายการก่อนหน้านี้ อาจส่งผลกระทบต่ออันดับเครดิตของ
รายการต่อมา .
- มันเป็นไปได้ที่จะสร้างฟังก์ชันความพึงพอใจที่จะคาดเดาว่าพอจึงเอ็ดมี indi -
vidual จะในเวลาใด ๆในระหว่างลำดับ อย่างไรก็ตาม ปฏิสัมพันธ์กลุ่ม
( เช่นโรคติดต่อทางอารมณ์และสอดคล้อง ) สามารถทำให้มันซับซ้อน .
- มันเป็นไปได้ที่จะประเมินในการทดลองวิธีการที่ดีของกลยุทธ์และ
ฟังก์ชันความพึงพอใจเป็น แต่นี้ไม่ได้เป็นปัญหาง่าย .
กลยุทธ์การรวมแต่ละกลุ่มไม่เพียง แต่ที่สำคัญเมื่อแนะนำ

กลุ่มของผู้คน แต่ยังสามารถใช้เมื่อแนะนำให้บุคคลที่
เช่นเพื่อป้องกันปัญหาเริ่มเย็นและจัดการกับเงื่อนไขหลาย