کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946515 1439290 2016 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A survey of serendipity in recommender systems
ترجمه فارسی عنوان
یک نظرسنجی از سریال در سیستم های توصیه می شود
کلمات کلیدی
نوآوری، سرندیپیتی، سیستم توصیهگر، معیارهای ارزیابی، استراتژی های ارزیابی، الگوریتم ها،
ترجمه چکیده
سیستم های توصیه شده از رفتارهای قبلی کاربران برای نشان دادن موارد استفاده می کنند. بیشترین تمایل به ارائه مواردی شبیه به مواردی است که یک کاربر هدف به عنوان جالب توجه نشان داده است. در نتیجه، کاربران با پیشنهادات واضحی که ممکن است قبلا کشف کرده اند خسته شوند. برای بهبود رضایت کاربر، سیستم های پیشنهاد دهنده باید پیشنهاد های سریعی ارائه دهند: اقلام نه تنها مربوط به کاربر و کاربر جدید هستند، بلکه از مواردی است که کاربر رتبه بندی کرده است، به طور قابل توجهی متفاوت است. با این حال، مفهوم سرخوردگی بسیار حساس و مبهم در سناریوهای دنیای واقعی بسیار نادر است، که توصیه های سریعی را برای مطالعه بسیار دشوار می کند. تا به امروز، تعاریف گوناگونی و معیارهای سنجش ارزیابی برای ارزیابی سرنوشت ارائه شده است، و هیچ توافقی در مورد تعاریف و معیار ارزیابی برای استفاده وجود ندارد. در این مقاله، مهمترین رویکردهای سرانجامی در سیستم های توصیه شده را خلاصه می کنیم، تعاریف و تعاریف مختلف مفهوم را مقایسه می کنیم، در مورد الگوریتم های ارزیابی ارزیابی گرا و استراتژی های ارزیابی برای ارزیابی الگوریتم ها، و ارائه راه های تحقیق آینده بر اساس ادبیات بررسی شده.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک نظرسنجی از سریال در سیستم های توصیه می شود
چکیده انگلیسی
Recommender systems use past behaviors of users to suggest items. Most tend to offer items similar to the items that a target user has indicated as interesting. As a result, users become bored with obvious suggestions that they might have already discovered. To improve user satisfaction, recommender systems should offer serendipitous suggestions: items not only relevant and novel to the target user, but also significantly different from the items that the user has rated. However, the concept of serendipity is very subjective and serendipitous encounters are very rare in real-world scenarios, which makes serendipitous recommendations extremely difficult to study. To date, various definitions and evaluation metrics to measure serendipity have been proposed, and there is no wide consensus on which definition and evaluation metric to use. In this paper, we summarize most important approaches to serendipity in recommender systems, compare different definitions and formalizations of the concept, discuss serendipity-oriented recommendation algorithms and evaluation strategies to assess the algorithms, and provide future research directions based on the reviewed literature.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 111, 1 November 2016, Pages 180-192
نویسندگان
, , ,