معیارهای قابلیت اطمینان برای سیستم های توصیه شده

معیارهای کیفی قابلیت اطمینان پیشنهادی منجر به طراحی شاخص های قابلیت اطمینان سیستم جدید توصیه می شود. این اقدامات می تواند به تکنیک های مختلف تقسیم بندی ماتریس و روش های مبتنی بر محتوا، زمینه ساز و توصیه های اجتماعی اعمال شود. اندازه گیری قابلیت اطمینان سیستم توصیه می تواند مورد آزمایش، مقایسه و بهبود با استفاده از معیارهای کیفی قابلیت اطمینان پیشنهادی.

در زمینه سیستم های توصیه کننده (RS)، اعتماد یا اطمینان به صورت [6] تعریف شده است: «این که سیستم توصیه کننده چگونه مطمئن است که توصیه هایش دقیق خواهد بود» تعریف شده است. معیارهای کیفی، یک عامل کلیدی برای محققان در فیلتر کردن مشارکتی (CF) R.S. است. با ترکیب سنجش کیفیت (QM) و مجموعه داده های باز، محققان می توانند نتایج حاصل از کارهای قبلی را بهبود بخشند. محققان RS بر روی دقت QM تمرکز کرده اند تا روش ها و الگوریتم های آن ها را آزمایش نمایند. با این وجود، شاخص های قابلیت اطمینان (RM) و اندازه گیری قابلیت اطمینان (RQM) اهمیت دقت و تحقیق جدیدی ندارند. ما ادعا می کنیم RM برای کاربران RS بسیار مهم است، زیرا ما می دانیم مقادیر پیش بینی و توصیه تنها معنای نسبی دارند. مشتریان تجارت الکترونیک معمولاً تعداد افرادی را که محصولات را رتبه بندی کرده اند جستجو می کنند. ما محصول دارای امتیاز 4 ستاره بر اساس 50 نظر را به یک محصول دارای امتیاز 4.5 ستاره بر اساس 2 نظر ترجیح می دهیم. در این مورد، معیار کیفیت ساده، فقط تعداد نظرات است. گاهی اوقات، ما بررسی عملکرد توده ای از نظرات را مطرح می کنیم: ما محصول 3 ستاره را بر اساس نظرات بیست و سه ستاره به یک محصول 3 ستاره بر اساس 10 ستاره و 10 نظر پنج ستاره ترجیح می دهیم. به دنبال مثال های فوق، یک وب سایت تجارت الکترونیک می تواند RM بسیار ساده را ترکیب کند که هم تعداد رتبه بندی ها و هم معکوس انحراف از معیار امتیاز را دارا باشد. علاوه بر این، می تواند برخی از اطلاعات مفید دیگر مانند تعداد KNN همسایگان درگیر در پیش بینی، اطلاعات مبتنی بر محتوا و غیره را اضافه کند. این وب سایت تجارت الکترونیک می تواند پیشنهاد هر مشتری را با این زوج ارائه کند: < تعداد ستاره ها ، میزان قابلیت اطمینان>. مشتریان این اطلاعات را به عنوان مجموعه ای از دوستانشان توصیه می کنند که برخی از فیلم ها را توصیه می کنند: "ما معتقدیم که شما واقعا عاشق فیلم A می شوید، اما ما کاملا مطمئنیم که شما فیلم B را دوست دارید"؛ فیلم A <0.95،0.60>، فیلم B <0.70،0.92>. لازم است تفاوت بین RM و RQM را بدانیم. اولين مقدار، مقدار قابلیت اطمينان را براي هر پيش بيني <کاربر، آیتم> اختصاص مي دهد. دومین استراتژی تست (مانند اعتبارسنجی متقابل) برای به دست آوردن کیفیت میزان قابلیت اطمینان، یعنی کیفیت RM است. شکل 1 این مفاهیم را نشان می دهد. همانطور که در شکل 1 دیده می شود، RM یا روش های اطمینان مقادیر قابلیت اطمینان را فراهم می کند (Lu، i). این مقادیر را می توان در همان مرحله RS به دست آورد که پیش بینی می کند، یا می تواند با استفاده از الگوریتم ها یا روش های جداگانه به دست آید. با استفاده از تکنیک های یادگیری ماشین (مانند تجزیه ماتریسی)، مقادیر قابلیت اطمینان می توان به دست آورد: الف) به طور مستقیم از یک الگوریتم یادگیری ماشین اصلاح شده ب) از مدل تولید شده (ماتریس های تجزیه شده در مثال MF). تا آنجا که می دانیم هیچ روش RS برای دریافت پیش بینی، قابلیت اطمینان > جفت از مدل های یادگیری ماشین تنها بر اساس مجموعه داده های رتبه بندی وجود ندارد. این یک زمینه مهم تحقیق باز است که نیاز به معیارهای کیفی قابلیت اطمینان (مانند پیشنهادات) دارد که باید مورد بررسی قرار گیرد. با توجه به شکل 1 می توان تعیین کرد که قابلیت اطمینان تست (پیکان عمودی) برای دستیابی به مقدار قابلیت اطمینان (پیکان افقی) متفاوت است. در حالی که این مقاله بر روی تست قابلیت اطمینان RS تمرکز دارد، به دست آوردن مقادیر قابل اعتماد از تکنیک های یادگیری ماشین یا مدل ها، نیازمند تحقیقات خاص و تولید نشریات جدید است. شکل 1: معیار های قابلیت اطمینان و اندازه گیری های کیفیت قابلیت اطمینان محققان می توانند RS RM های مختلف را طراحی کنند: الف) بر اساس ماهیت RS و داده های آن: محتوا، همکاری، جمعیت شناسی، اجتماعی، محل سکونت و غیره ب) بر اساس روش های فیلتر کردن آن ها: KNN، روش های الهام گرفته شده از بیوفیزیک و غیره. لازم است که هر نتیجه پیشنهادی RM را تست نمود، هر رویکرد جدید را با مقایسه های موجود مقایسه کرد. این روند ما را به عنوان محقق، به منظور ارتقاء مقادیر قابلیت اطمینان ما به کاربران، از طریق شرکت های خدمات آنلاین خود هدایت می کند. تست RM نیاز به معیارهای کیفی کلی، ساده و مناسب دارد، برای مثال برای تست پیش بینی و اقدامات توصیه شده، ما معمولاً از معیارهای سنجش کیفیت دقیق استفاده می کنیم: MAE، دقت، فراخوانی و غیره. معیارهای کیفی قابلیت اطمینان طراحی شده باید به طور کلی به اندازه کافی برای بررسی قابلیت اطمینان از فیلتر کردن اجتماعی، KNN، روش های تجزیه ماتریسی و غیره استفاده شود. برای اینکه به طور جهانی پذیرفته شوند، باید به اندازه کافی ساده باشند و باید بر اساس یک مفهوم RS قابل قبول باشد. تا آنجا که می دانیم کمبود قابلیت اطمینان عمومی CF QM وجود دارد، مانند مواردی که برای تست دقت یا نوآوری مورد استفاده قرار می گیرند: [11] "در حالی که به نظر می رسد در تحقیقات انجام شده تصدیق شده است که در برآورد دقیق اعتماد پیش بینی شده از استفاده بزرگ، تحقیقات سیستماتیک کمی برای این هدف منتشر شده است ". مقالات اولیه از اصطلاح "اعتماد به نفس" برای تعریف اعتماد کاربران به توصیه های سیستم [6،15،17] استفاده نموده اند. بعدها، بعضی از RM ها برای تعیین مقادیر اعتماد به نفس مرتبط با پارامتر KNN [3،12]، [8،13]، مانند شباهت های همسایگی به کاربر فعال ایجاد شد. در حال حاضر، اصطلاح "قابلیت اطمینان" اغلب استفاده می شود. مقادیر متنوعی وجود دارد که روابط اعتماد شبکه ارتباطی RM را برای بهبود نتایج دقیق RS نشان می دهد [14،19]. مقادیر قابلیت اطمینان CF نیز برای ارائه بازخوردهای بصری RS [7،9] استفاده شده است. در نهایت، چند مقاله [8،11] وجود دارد که CF RM را به طور کلی و روش متفاوتی برای تست کیفیت آن ها ارائه می دهند. به منظور تمرکز بر پیشنهاد ما، خلاصه ای از راه حل های موجود را مرور خواهیم کرد و این که چگونه در طول سال ها بهبود یافته اند. شکل 2 نشان دهنده تکامل با روش اندازه گیری قابلیت اطمینان RS است. نمودار a) تا e) نشان دهنده وضعیت حال حاضر است، در حالی که گراف f) طرح پیشنهاد شده در این مقاله را توصیف می کند. هنگامی که روش های مناسب RQM وجود نداشت، SR در عمل، برای کاربران مقادیر صریح که مشتریان می توانند به عنوان اطلاعات اطمینان استفاده کنند، ارائه داد. مهمترین مثال ها تعداد مشتریان یک محصول یا تعدادی از نظرات دریافت شده توسط یک آیتم است: شکل 2a. از سال 2000 به نظر می رسید که نشریات بر روش اندازه گیری کیفیت RS تمرکز دارند [6،16،17]. این نشریات بر چگونگی دستیابی عدالت به دقت پیش بینی ها و توصیه ها تمرکز داشت. آن ها، بخش هایی با مفاهیم عمومی را برای اندازه گیری اهداف کیفیت دیگر "فراتر از دقت "، از قبیل نوآوری، تنوع، رضایت و اعتماد به نفس را در بر می گیرند. نشانه های این مقالات برای RQM عمدتا بر افشای مفهوم: مقدار اعتماد (قابلیت اطمینان) و مقادیر دقت باید مرتبط باشد، "احتمال این که مقادیر پیش بینی شده درست باشد" [16]؛ شکل 2b تمرکز دارد. در حال حاضر، دو مقاله منتشر شده است که کیفیت رویکردهای قابلیت اطمینان را ارائه می دهند. یکی از این مقالات [8] یک روش برای ایجاد CF RM را پیشنهاد می دهد. برای تست کیفیت RM، آن چندین آستانه قابلیت اطمینان ایجاد می کند و با استفاده از نمودار ها، ثابت می کند که "هرچقدر پیش بینی قابل اعتماد تر باشد، کمتر امکان دارد که اشتباه باشد" [8]: شکل 2c. برخی از آزمایش های دیگر در مقاله [8] مفهوم "منحنی اطمینان" را ارائه می دهند: مقادیر قابلیت اطمینان پیش بینی با مقادیر خطاهای پیش بینی مقایسه می شوند. رفتار مورد انتظار، یک رابطه معکوس بین قابلیت اطمینان و خطا می باشد: شکل 2d. [11] یک روش برای یافتن کیفیت RM را نشان می دهد. این روش بر اساس تحلیل منحنی اعتماد است: شکل 2e. پیشنهاد ما (شکل 2f) ارائه یک RQM است. بر خلاف نمودارها، منحنی ها و روش ها، QM به ما امکان می دهد که مقادیر کیفی را به صورت مستقیم، ساده و جهانی، بدون ابهام و تغییر در پیاده سازی به ارمغان بیاورد. ما از روش توصیف شده در [11] به عنوان مبنایی استفاده خواهیم کرد که با RQM پیشنهاد شده ما مقایسه خواهیم کرد. شکل 2: تکامل تاریخی در زمینه کیفیت قابلیت اطمینان (از a تا e) و پیشنهاد ما (f). بخش بعدی "کار مرتبط"، مهمترین منابع را انتخاب می کند. بخش 3، "پیشنهاد"، ملاحظات طراحی RQM پیشنهاد شده را توضیح می دهد. بخش 4، "اصول"، جزئیات برنامه های RQM را طراحی می کند. بخش 5 "آزمایشات": الف) دامنه و طراحی آزمایشات را معرفی می کند؛ ب) هر آزمون RM را تعریف می کند؛ ج) روش پایه را توضیح می دهد؛ الف) نتایج کیفی پیش بینی ها و توصیه های قابلیت اطمینان را نشان می دهد؛ الف) بحث در مورد نتایج مهم را ارائه می دهد. سرانجام، بخش 6 نتایج اصلی مقاله و آثار آتی را ارائه می دهد.