Деталізація пояснень в рекомендаційній системі на основі узгодження темпоральних знань

Автор(и)

  • Serhii Chalyi Харківський національний університет радіоєлектронікі пр. Науки, 14, м. Харків, Україна, 61166, Україна https://orcid.org/0000-0002-9982-9091
  • Volodymyr Leshchynskyi Харківський національний університет радіоєлектронікі пр. Науки, 14, м. Харків, Україна, 61166, Україна https://orcid.org/0000-0002-8690-5702
  • Iryna Leshchynska Харківський національний університет радіоєлектронікі пр. Науки, 14, м. Харків, Україна, 61166, Україна https://orcid.org/0000-0002-8737-4595

DOI:

https://doi.org/10.15587/1729-4061.2020.210013

Ключові слова:

рекомендаційна система, пояснення щодо рекомендацій, темпоральні правила, узгодження знань

Анотація

Розглянуто проблему узгодження знань у темпоральному аспекті при побудові пояснень щодо рекомендацій. Узгодження дає можливість зменшити вплив суперечливих знань на пояснення в рекомендаційній системі.

Запропоновано модель подання знань у формі темпорального правила з обмеженням пояснення. Темпоральне правило задає порядок в часі для двох множин однотипних подій, що виникли на двох різних інтервалах часу. Обмеження пояснення встановлює відповідність між представленим за допомогою правила темпоральних порядком для пари інтервалів та описом темпоральної динаміки для заданого періоду часу. Така динаміка відображається поясненням рекомендації. Модель призначена для узгодження знань з урахуванням обмеження пояснення, а також подальшого використання узгоджених знань для уточнення пояснень щодо результатів роботи інтелектуальної системи.

Розроблено метод уточнення пояснень в рекомендаційної системі на базі узгодження знань у формі темпоральних правил. В якості вихідних даних метод використовує записи про покупки товарів, послуг або виставлення їх рейтингів. Метод виділяє узгоджену в темпоральному аспекті підмножину правил, які показують таку ж динаміку попиту споживачів щодо цільового предмету (збільшення або зменшення), як і пояснення в рекомендаційній системі. Узгодження темпоральних знань дозволяє сформувати уточнений перелік пояснень. Цей перелік включає в себе базове та уточнююче пояснення. Базове пояснення відображає динаміку інтересів користувачів для всього заданого періоду часу. Уточнююче пояснення задає зміни попиту для окремих інтервалів в рамках заданого періоду часу. Використання у поясненні темпоральної динаміки вподобань користувачів орієнтовано на  збільшення довіри до отриманих рекомендацій

Біографії авторів

Serhii Chalyi, Харківський національний університет радіоєлектронікі пр. Науки, 14, м. Харків, Україна, 61166

Доктор технічних наук, професор

Кафедра інформаційних управляючих систем

Volodymyr Leshchynskyi, Харківський національний університет радіоєлектронікі пр. Науки, 14, м. Харків, Україна, 61166

Кандидат технічних наук, доцент

Кафедра програмної інженерії

Iryna Leshchynska, Харківський національний університет радіоєлектронікі пр. Науки, 14, м. Харків, Україна, 61166

Кандидат технічних наук, доцент

Кафедра програмної інженерії

Посилання

  1. Izquierdo-Castillo, J. (2015). El nuevo negocio mediático liderado por Netflix: estudio del modelo y proyección en el mercado español. El Profesional de La Información, 24 (6), 819–826. doi: https://doi.org/10.3145/epi.2015.nov.14
  2. Gambhir, S. (2019). Challenges Facing E–Commerce: A Case Study of Amazon vs Snapdeal. International Journal of Computer Trends & Technology, 67 (07), 19–25. doi: https://doi.org/10.14445/22312803/ijctt-v67i7p104
  3. Al Fararni, K., Aghoutane, B., Riffi, J., Sabri, A., Yahyaouy, A. (2020). Comparative Study on Approaches of Recommendation Systems. Advances in Intelligent Systems and Computing, 753–764. doi: https://doi.org/10.1007/978-981-15-0947-6_72
  4. Chala, O., Novikova, L., Chernyshova, L. (2019). Method for detecting shilling attacks in e-commerce systems using weighted temporal rules. EUREKA: Physics and Engineering, 5, 29–36. doi: https://doi.org/10.21303/2461-4262.2019.00983
  5. Chalyi, S., Leshchynskyi, V., Leshchynska, I. (2019). Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommender system. EUREKA: Physics and Engineering, 4, 34–40. doi: https://doi.org/10.21303/2461-4262.2019.00952
  6. Lops, P., Jannach, D., Musto, C., Bogers, T., Koolen, M. (2019). Trends in content-based recommendation. User Modeling and User-Adapted Interaction, 29 (2), 239–249. doi: https://doi.org/10.1007/s11257-019-09231-w
  7. Tsai, C.-H., Brusilovsky, P. (2019). Explaining recommendations in an interactive hybrid social recommender. Proceedings of the 24th International Conference on Intelligent User Interfaces. doi: https://doi.org/10.1145/3301275.3302318
  8. Dominguez, V., Messina, P., Donoso-Guzmán, I., Parra, D. (2019). The effect of explanations and algorithmic accuracy on visual recommender systems of artistic images. Proceedings of the 24th International Conference on Intelligent User Interfaces. doi: https://doi.org/10.1145/3301275.3302274
  9. Thagard, P. (2018). Computational Models in Science and Philosophy. Introduction to Formal Philosophy, 457–467. doi: https://doi.org/10.1007/978-3-319-77434-3_24
  10. Rana, C., Jain, S. K. (2012). A study of the dynamic features of recommender systems. Artificial Intelligence Review, 43 (1), 141–153. doi: https://doi.org/10.1007/s10462-012-9359-6
  11. Zhou, X., Sun, Z., Guo, G., Liu, Y. (2020). Modelling Temporal Dynamics and Repeated Behaviors for Recommendation. Lecture Notes in Computer Science, 181–193. doi: https://doi.org/10.1007/978-3-030-47426-3_15
  12. Liu, D.-R., Chen, K.-Y., Chou, Y.-C., Lee, J.-H. (2018). Online recommendations based on dynamic adjustment of recommendation lists. Knowledge-Based Systems, 161, 375–389. doi: https://doi.org/10.1016/j.knosys.2018.07.038
  13. Wang, C., Zhang, M., Ma, W., Liu, Y., Ma, S. (2019). Modeling Item-Specific Temporal Dynamics of Repeat Consumption for Recommender Systems. The World Wide Web Conference on - WWW ’19. doi: https://doi.org/10.1145/3308558.3313594
  14. Raza, S., Ding, C. (2019). Progress in context-aware recommender systems – An overview. Computer Science Review, 31, 84–97. doi: https://doi.org/10.1016/j.cosrev.2019.01.001
  15. Zheng, N., Li, Q. (2011). A recommender system based on tag and time information for social tagging systems. Expert Systems with Applications, 38 (4), 4575–4587. doi: https://doi.org/10.1016/j.eswa.2010.09.131
  16. De Borba, E. J., Gasparini, I., Lichtnow, D. (2017). Time-Aware Recommender Systems: A Systematic Mapping. Human-Computer Interaction. Interaction Contexts, 464–479. doi: https://doi.org/10.1007/978-3-319-58077-7_38
  17. Quadrana, M., Cremonesi, P., Jannach, D. (2018). Sequence-Aware Recommender Systems. ACM Computing Surveys, 51 (4), 1–36. doi: https://doi.org/10.1145/3190616
  18. Jannach, D., Ludewig, M., Lerche, L. (2017). Session-based item recommendation in e-commerce: on short-term intents, reminders, trends and discounts. User Modeling and User-Adapted Interaction, 27 (3-5), 351–392. doi: https://doi.org/10.1007/s11257-017-9194-1
  19. Gomez-Uribe, C. A., Hunt, N. (2016). The Netflix Recommender System. ACM Transactions on Management Information Systems, 6 (4), 1–19. doi: https://doi.org/10.1145/2843948
  20. Della Penna, G., Orefice, S. (2018). Qualitative representation of spatio-temporal knowledge. Journal of Visual Languages & Computing, 49, 1–16. doi: https://doi.org/10.1016/j.jvlc.2018.10.002
  21. Levykin, V., Chala, O. (2018). Development of a method for the probabilistic inference of sequences of a business process activities to support the business process management. Eastern-European Journal of Enterprise Technologies, 5 (3 (95)), 16–24. doi: https://doi.org/10.15587/1729-4061.2018.142664
  22. Levykin, V., Chala, O. (2018). Method of determining weights of temporal rules in Markov logic network for building knowledge base in information control systems. EUREKA: Physics and Engineering, 5, 3–10. doi: https://doi.org/10.21303/2461-4262.2018.00713
  23. Thagard, P. (2004). Causal inference in legal decision making: explanatory coherence vs. Bayesian networks. Applied Artificial Intelligence, 18 (3-4), 231–249. doi: https://doi.org/10.1080/08839510490279861
  24. Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267, 1–38. doi: https://doi.org/10.1016/j.artint.2018.07.007
  25. Vreeswijk, G. (2016). Extensions and modifications to explanatory coherence. Law, Probability and Risk, 15 (3), 199–221. doi: https://doi.org/10.1093/lpr/mgw005
  26. Chalyi, S., Leshchynskyi, V. (2020). Method of constructing explanations for recommender systems based on the temporal dynamics of user preferences. EUREKA: Physics and Engineering, 3, 43–50. doi: https://doi.org/10.21303/2461-4262.2020.001228
  27. Chalyi, S., Pribylnova, I. (2019). The method of constructing recommendations online on the temporal dynamics of user interests using multilayer graph. EUREKA: Physics and Engineering, 3, 13–19. doi: https://doi.org/10.21303/2461-4262.2019.00894
  28. Baral, R., Zhu, X., Iyengar, S. S., Li, T. (2018). ReEL: Review Aware Explanation of Location Recommendation. Proceedings of the 26th Conference on User Modeling, Adaptation and Personalization (UMAP '18), 23–32. doi: https://doi.org/10.1145/3209219.3209237
  29. Chalyi, S., Levykin, I., Biziuk, A., Vovk, A., Bogatov, I. (2020). Development of the technology for changing the sequence of access to shared resources of business processes for process management support. Eastern-European Journal of Enterprise Technologies, 2 (3 (104)), 22–29. doi: https://doi.org/10.15587/1729-4061.2020.198527
  30. Bodyanskiy, Y., Kulishova, N., Chala, O. (2018). The Extended Multidimensional Neo-Fuzzy System and Its Fast Learning in Pattern Recognition Tasks. Data, 3 (4), 63. doi: https://doi.org/10.3390/data3040063
  31. Zajac, Z. (2017). Goodbooks-10k: a new dataset for book recommendations. FastML. Available at: http://fastml.com/goodbooks-10k

##submission.downloads##

Опубліковано

2020-08-31

Як цитувати

Chalyi, S., Leshchynskyi, V., & Leshchynska, I. (2020). Деталізація пояснень в рекомендаційній системі на основі узгодження темпоральних знань. Eastern-European Journal of Enterprise Technologies, 4(2 (106), 6–13. https://doi.org/10.15587/1729-4061.2020.210013

Номер

Том 4 № 2 (106) (2020): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2020 Serhii Chalyi, Volodymyr Leshchynskyi, Iryna Leshchynska

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.