Consumer-Centered RecommendationsOn

Consumer-Centered Recommendations

One important difference between a recommender system and a traditional data mining system is that the end-user for the
recommender system is the consumer. This difference leads to several desirable properties for recommender system algorithms that
have not been explored in data mining algorithms.
Some recommendations are most valuable when they apply to a group of consumers rather than an individual. For instance, movies
are most often attended socially. The choice of the right “date movie” can be very important. Recommenders can be used to select
products that maximize the value of the product to a group of people. Some systems already support simple versions of this idea,
such as selecting a movie that two people will like. Future multi-user recommendation systems will let customers control how the
recommender system balances their interests in choosing a product. Should it choose a movie that neither will hate? That she will
love? That they will both like? Different algorithms are needed for each of these scenarios to maximize the social good for the
group, according to their needs.
The success of a recommender system should be measured by how effectively the system helps customers make decisions that they,
retrospectively, consider correct. One interface innovation that can help customers decide when to follow recommendations is to
explain the recommendation to the customer, just as many machine-learning algorithms explain their results to their users.
Researchers are currently experimenting with several different explanation models, including summarizing the data behind
recommendations, explaining recommendations indirectly (e.g., indicating which of the customer's own preferences most strongly led
to a particular recommendation), and providing "persuasive" evidence about the system's success in similar recommendations.
Simpler explanation systems display a brief capsule of the amount of data or expected variance in a prediction. Additional research
is needed regarding explanation algorithms for other recommender algorithms, and on the effectiveness of explanations in helping
customers decide among recommendations and increasing customer confidence in using recommender systems.

ผลลัพธ์ (ไทย) 1:

คำแนะนำผู้บริโภคแปลกหนึ่งความแตกต่างระหว่างระบบผู้แนะนำและระบบการทำเหมืองข้อมูลดั้งเดิมคือ ใช้สำหรับการระบบผู้แนะนำผู้บริโภคได้ ความแตกต่างนี้นำไปสู่คุณสมบัติหลายเหมาะสำหรับผู้แนะนำระบบอัลกอริทึมที่ได้ไม่ได้สำรวจในอัลกอริทึมการทำเหมืองข้อมูลบางคำแนะนำจะดีที่สุดเมื่อพวกเขาใช้กับกลุ่มของผู้บริโภคมากกว่าที่เป็นบุคคล ภาพยนตร์ตัวอย่างมีมักเข้าร่วมสังคม เลือกด้านขวา "วันภาพยนตร์" สามารถมีความสำคัญมาก สามารถใช้ recommenders ในการเลือกผลิตภัณฑ์ที่เพิ่มมูลค่าของผลิตภัณฑ์ให้กับกลุ่มคน บางระบบสนับสนุนแล้วอย่างรุ่นนี้คิดเช่นการเลือกภาพยนตร์ที่คนสองคนจะชอบ คำแนะนำในอนาคตผู้ใช้หลายระบบจะให้ลูกค้าควบคุมวิธีการผู้แนะนำระบบสมดุลความสนใจในการเลือกผลิตภัณฑ์ ควรเลือกภาพยนตร์ไม่ว่าจะเกลียดหรือไม่ ที่เธอจะความรัก ที่ทั้งสองจะชอบพวกเขา อัลกอริทึมต่าง ๆ จำเป็นสำหรับแต่ละสถานการณ์เหล่านี้เพื่อให้สังคมดีสำหรับการกลุ่ม ตามความต้องการควรวัดความสำเร็จของระบบผู้แนะนำ โดยวิธีมีประสิทธิภาพ decisions ระบบช่วยทำให้ลูกค้าที่พวกเขาย้อนหลัง ได้พิจารณาถูกต้อง อินเทอร์เฟซนวัตกรรมหนึ่งที่สามารถช่วยให้ลูกค้าตัดสินใจว่า จะทำตามคำแนะนำคืออธิบายแนะนำให้กับลูกค้า อัลกอริทึมเครื่องเรียนรู้มากเพียงอธิบายผลลัพธ์ของตนเองนักวิจัยจะทดลองกับแบบจำลองอื่นอธิบายหลาย รวมทั้งสรุปข้อมูลหลังปัจจุบันคำแนะนำ อธิบายคำแนะนำทางอ้อม (เช่น บ่งชี้ที่กำหนดลักษณะของลูกค้ามากที่สุดขอนำเพื่อเป็นการแนะนำ), และให้หลักฐาน "persuasive" เกี่ยวกับความสำเร็จของระบบในคำแนะนำคล้ายกันอธิบายง่ายกว่าระบบแสดงแคปซูลโดยย่อของจำนวนข้อมูล หรือคาดว่าผลต่างในการคาดการณ์ วิจัยเพิ่มเติมจำเป็นต้องเกี่ยวข้องกับอัลกอริทึมคำอธิบาย สำหรับอัลกอริทึมอื่น ๆ ผู้แนะนำ และประสิทธิภาพของคำอธิบายในช่วยลูกค้าตัดสินใจแนะนำและความเชื่อมั่นของลูกค้าเพิ่มขึ้นในการใช้ระบบผู้แนะนำ

ผลลัพธ์ (ไทย) 2:

ข้อเสนอแนะของผู้บริโภคเป็นศูนย์กลางหนึ่งความแตกต่างที่สำคัญระหว่างระบบ recommender และระบบการทำเหมืองข้อมูลแบบดั้งเดิมคือการที่ผู้ใช้-end สำหรับระบบ recommender เป็นผู้บริโภค ความแตกต่างนี้จะนำไปสู่คุณสมบัติที่พึงประสงค์หลายขั้นตอนวิธีการระบบ recommender ที่ยังไม่ได้รับการสำรวจในขั้นตอนวิธีการทำเหมืองข้อมูล. บางคำแนะนำที่มีคุณค่ามากที่สุดเมื่อพวกเขานำไปใช้กับกลุ่มของผู้บริโภคมากกว่าบุคคล ยกตัวอย่างเช่นภาพยนตร์มักจะเข้าร่วมสังคม ทางเลือกของที่เหมาะสม "วันที่ภาพยนตร์" สามารถเป็นสิ่งที่สำคัญมาก Recommenders สามารถใช้ในการเลือกผลิตภัณฑ์ที่เพิ่มมูลค่าของผลิตภัณฑ์ในกลุ่มของผู้คน บางระบบแล้วสนับสนุนรุ่นที่เรียบง่ายของความคิดนี้เช่นการเลือกหนังที่คนสองคนจะชอบ ระบบในอนาคตข้อเสนอแนะของผู้ใช้หลายจะช่วยให้ลูกค้าควบคุมวิธีการที่ระบบ recommender สมดุลผลประโยชน์ของพวกเขาในการเลือกสินค้า มันควรจะเลือกหนังที่จะไม่เกลียด? ว่าเธอจะรัก? ว่าพวกเขาทั้งสองจะชอบ? ขั้นตอนวิธีการที่แตกต่างกันมีความจำเป็นสำหรับแต่ละสถานการณ์เหล่านี้เพื่อเพิ่มทางสังคมที่ดีสำหรับกลุ่มตามความต้องการของพวกเขา. ความสำเร็จของระบบ recommender ควรจะวัดโดยวิธีการอย่างมีประสิทธิภาพระบบจะช่วยให้ลูกค้าในการตัดสินใจว่าพวกเขาย้อนหลังพิจารณาที่ถูกต้อง นวัตกรรมอินเตอร์เฟซที่หนึ่งที่สามารถช่วยให้ลูกค้าตัดสินใจที่จะปฏิบัติตามคำแนะนำคือการอธิบายคำแนะนำให้กับลูกค้าเช่นเดียวกับหลายขั้นตอนวิธีการเรียนรู้เครื่องอธิบายผลของพวกเขาให้กับผู้ใช้ของพวกเขา. นักวิจัยกำลังทดลองกับรูปแบบคำอธิบายที่แตกต่างกันหลายประการรวมถึงการสรุปข้อมูลที่อยู่เบื้องหลังคำแนะนำอธิบายคำแนะนำทางอ้อม (เช่นระบุว่าการตั้งค่าของตัวลูกค้ามากที่สุดนำอย่างยิ่งที่จะแนะนำเฉพาะ) และการให้ "โน้มน้าวใจ" หลักฐานเกี่ยวกับความสำเร็จของระบบในคำแนะนำที่คล้ายกัน. เรียบง่ายระบบคำอธิบายแสดงแคปซูลย่อของปริมาณของข้อมูล หรือความแปรปรวนที่คาดหวังในการทำนาย การวิจัยเพิ่มเติมเป็นสิ่งจำเป็นเกี่ยวกับขั้นตอนวิธีการอธิบายขั้นตอนวิธี recommender อื่น ๆ และในประสิทธิภาพของคำอธิบายในการช่วยให้ลูกค้าตัดสินใจในหมู่คำแนะนำและเพิ่มความเชื่อมั่นของลูกค้าในการใช้ระบบ recommender

ผลลัพธ์ (ไทย) 3:

ผู้บริโภคเป็นศูนย์กลางแนะนำ

สำคัญและความแตกต่างระหว่างระบบแนะนำและแบบดั้งเดิมเป็นระบบที่ผู้ใช้เหมืองข้อมูลสำหรับ
แนะนำระบบคือผู้บริโภค ความแตกต่างนี้นำไปสู่หลายคุณสมบัติที่พึงประสงค์สำหรับขั้นตอนวิธีการแนะนำระบบที่ยังไม่ได้สำรวจใน

ขั้นตอนวิธีการทำเหมืองข้อมูลSome recommendations are most valuable when they apply to a group of consumers rather than an individual. For instance, movies
are most often attended socially. The choice of the right “date movie” can be very important. Recommenders can be used to select
products that maximize the value of the product to a group of people. Some systems already support simple versions of this idea,
such as selecting a movie that two people will like. Future multi-user recommendation systems will let customers control how the
recommender system balances their interests in choosing a product. Should it choose a movie that neither will hate? That she will
love? That they will both like? Different algorithms are needed for each of these scenarios to maximize the social good for the
group, according to their needs.
The success of a recommender system should be measured by how effectively the system helps customers make decisions that they,
retrospectively, consider correct. One interface innovation that can help customers decide when to follow recommendations is to
explain the recommendation to the customer, just as many machine-learning algorithms explain their results to their users.
Researchers are currently experimenting with several different explanation models, including summarizing the data behind
recommendations, explaining recommendations indirectly (e.g., indicating which of the customer's own preferences most strongly led
to a particular recommendation), and providing "persuasive" evidence about the system's success in similar recommendations.
Simpler explanation systems display a brief capsule of the amount of data or expected variance in a prediction. Additional research
is needed regarding explanation algorithms for other recommender algorithms, and on the effectiveness of explanations in helping
ลูกค้าตัดสินใจระหว่างคำแนะนำและเพิ่มความเชื่อมั่นของลูกค้าในการใช้ระบบแนะนำ .