发展基于约束的推荐

6.1简介

传统的推荐方法（基于内容的过滤[48]和协作过滤[40]）非常适合推荐质量和品味产品，如书籍，电影或新闻。但是，特别是在诸如汽车，电脑，公寓或金融服务等产品的背景下，这些方法并不是最好的选择（另见第11章）。例如，公寓不是很频繁地购买，这使得为一个特定的项目收集大量的评级是不可行的（合作推荐算法需要这样的评级）。此外，推荐者应用程序的用户将不满足基于多年的项目偏好的建议（在这种情况下，内容的过滤算法恰恰会利用这种偏好）。通过利用明确的用户需求和深入的知识关于潜在的产品领域用于推荐的计算，基于知识的推荐方法有助于解决这些挑战。那些系统很大程度上关注不被协同过滤和基于内容的过滤方法所利用的知识源。同协同过滤和基于内容的过滤相比，基于知识的推荐没有冷启动问题因为需求是直接在推荐的会期中所提出的。但是，有优点也就有缺点，基于知识的推荐受限于所谓的知识获取瓶颈从某种意义上工程师必须努力把领域专家所拥有的知识转化为形式的，可执行的表示。

基于知识推荐系统的两种基本类型是：基于约束推荐和基于实例推荐。它们的推荐过程相似：用户必须指定需求，然后系统设法给出解决方案。如果找不到解决方案，用户必须修改需求。此外，系统还要给出推荐物品的解释。

它们的不同之处在于：如何使用所提供的知识。基于实例的推荐系统着重于根据不同的相似度衡量方法检索出相似的物品，基于约束的推荐系统依赖明确定义的推荐规则集合。它们的不同之处在于：如何使用所提供的知识。基于实例的推荐系统着重于根据不同的相似度衡量方法检索出相似的物品，基于约束的推荐系统依赖明确定义的推荐规则集合。

基于约束的推荐系统的推荐知识库[16]）通常由两组变量（V C，V PROD）和三个不同的约束（C R，C F，C PROD）来定义。这些变量和约束是约束满足问题的主要成分[54]。约束满足问题的解决方案是由满足所有约束条件的变量的实例所组成的。

客户属性V C描述了客户的可能要求，需求是客户属性的实例。在金融服务领域，愿意承担风险是客户属性的一个实例，愿意承担风险=低程度代表具体的客户要求。

产品特性V PROD描述给定产品种类的特性。

产品属性的例子是推荐的投资期限，产品类型，

产品名称，或预期的投资回报。

制约因素C R系统地限制了自定义属性的可能实例，例如，短的投资期限不符合高风险投资。

过滤条件C F定义潜在客户需求以及给定的产品分类的关系。 一个过滤条件的例子是如下：没有金融服务领域经验的客户应该不会收到包含高风险产品的建议。

最后合法的产品属性的实例通过C PROD来表示。C PROD表示析取范式中的一个约束，它定义了V中可能的变量实例的基本限制

例6.1。推荐知识库（V _C，V _PROD，C _R，C _F，C _PROD）

V_c= {kl _C：[expert，average，beginner] .................... / *专业水平* /

wr_c：[low，medium，high] ....................... / *愿意承担风险* /

Id_c：[shortterm，mediumterm，longterm] ........... / *投资期限* /

aw_c：[yes，no] ...................................... / *是否咨询？ * /

ds_c：[savings，bonds，stockfunds，singleshares] ...... / *直接产品搜索* /

sl_c：[savings，bonds] ........................ / *低风险投资类型* /

av_c：[yes，no] ................................................................................... *资金的可用性* /

sh_c：[stockfunds，singlshares] .............. / *高风险投资类型* /}

V _PROD = {name _p：[text] .............................. / *产品名称* /

er _P：[1..40] ....................................... / *预期回报率* /

ri _P：[low，medium，high] ..................................... / *风险级别* /

mniv _P：[1..14] ............ / *产品的最小投资期（年）* /

inst _P：[text] ........................................ / *金融机构* /}

C_R={CR₁：wr_c=high→id_cne;shortterm，CR₂：kl_c=beginner→wr_cne;high}

C_F = {CF 1：id_c=shortterm→mniv_p lt;3，

C_F 2：id_c= mediumterm→mniv_pge;3 ^ mniv_plt;6，

C_F 3：id_c= longterm→mniv_pge;6，

C_F 4：wr_c =low→ri_p=low，

C_F 5：wr_c = medium→ri_p=lowor;ri_p= medium，

C_F 6：wr_c = high→ri_p=lowor;rip =mediumor;ri_p= high，

C_F 7 kl_c = beginner→ri _pne;high

C_F 8：sl _c =savings→name _p =savings，

C_F 9：sl _c=bonds→name _p =bonds}

V _PROD = {CPROD 1：name _p =savingsand;erp =3and;ri_p =lowand;mniv_p=1and;inst_p = A;

V _PROD 2：name _p =bondand;er_p=5and;ri_p =mediumand;mniv_p=5and;inst_p= B;

V _PROD 3：name _p =equityand;er_p=9and;ri_p =highand;mniv_p=10and;inst_p= B}

根据这样的推荐知识库和一组给定的用户需求我们能够计算出建议，我们将鉴定出符合用户愿望和需求的产品的任务称作推荐任务。

定义6.1。推荐任务可以被定义为约束满足问题（V _C，V _PROD，C_Ccup;C_Fcup;C_Rcup;V _PROD）其中V _C是一组变量，代表可能的客户需求，V _PROD是一组变量描述产品属性。C PROD是描述产品实例的一组约束。C _R是描述客户需求的可能组合的一组约束条件。C _F（也称为过滤条件）是描述客户要求和产品属性之间关系的一组约束。最后C _C是一组代表具体客户需求的一元约束。

例6.2。基于例6.1的推荐知识库，一个具体推荐任务的定义可以用下面的一组需求来完成C C = {wr_c= low，kl_c= beginner，id _c = shortterm，sl _c = savings}。在推荐任务的定义的基础上，我们可以介绍推荐任务的解决方案（一致推荐）的概念。

定义6.2。如果C和V _PROD中变量的一个分配，它不违反C_Ccup;C_Fcup;C_Rcup;V_PROD中的任何约束条件，就把它称作是推荐任务（V _C，V_PROD，C_Ccup;C_Fcup;C_Rcup;C_PROP）的一致解决方案。

例6.3。一个基于例6.1的推荐知识库和例6.2定义的用户需求的一致推荐为 l c =初学者，wr c =低，id _C=短期，sl _c =储蓄，name _p =储蓄，er _p =3，ri _p = low，mniv _p =1，inst _p = A.

除了推荐人知识库之外，我们还必须定义推荐者用户界面的预期行为。 为了支持直观的对话，推荐界面必须是自适应的（见第3节）。 有不同的描述推荐用户界面的预期行为的替代方案。 例如，对话框可以以有限状态模型的形式显式建模[20]或者可以以用户自己启用的形式更灵活地构建以选择他们想要指定的感兴趣的属性[37]。

在本章中，我们将重点介绍第一种方法：推荐对话框以有限状态模型的形式显式建模[20]。 之间的转换状态被表示为用户输入的接受标准。 例如，一个对推会话不感兴趣的专家（kl _c =专家）金融服务（aw _c = no）被自动转发到q ₄（搜索界面）提供技术产品的具体特点）。 图6.1描绘了一个有限的一个金融服务推荐应用程序的预期行为的状态模型。

本章的其余部分安排如下。 在6.2节我们给出一个用于推荐知识库的开发和推荐过程的定义的知识获取概念的概述。 在6.3节我们介绍在推荐对话过程中引导和积极辅助用户的主要技术。6.4节简要介绍解决推荐任务的方法。 在第6.5节中，我们讨论基于约束推荐的一些成功应用。 在6.6节我们提出基于约束的推荐未来所要研究的问题。 在6.7节我们总结了这一章。

图6.1：推荐人用户界面描述：一个简单的例子推荐 - 金融服务的过程。 该过程以状态q 0开始，并且取决于用户的知识水平被转发到状态q 2或状态q 3。 在最终状态（状态q 4，q 6，q 7中的一个）中呈现推荐的项目。 每个状态qi有一个指定的客户属性var（q i），表示在当前状态下要问的问题。

6.2推荐知识库的开发

成功将基于约束的技术应用于商业环境的主要先决条件是技术积极支持知识工程师和领域专家开发和维护推荐应用程序从而有助于尽可能地限制知识获取的瓶颈。应有由于领域专家的编程技能非常有限，知识工程师和领域专家在知识库开发和如何维护方面通常有差异。 因此，领域专家只负责提供知识而不负责将知识形式化为相应的可执行的表示（推荐者知识库）。

在[13]中介绍的商业上可用的CWAdvisor环境的主要目的是为了减少上述知识获取的瓶颈：它为领域专家提供了知识库的自主开发和维护流程。 在下面的章节中，我们将部分介绍CWAdvisor环境，用于演示目的。 CWAdvisor知识获取环境（CWAdvisor设计师）主要考虑那些对于有效知识的获取和维护十分重要的原则[8,13]。

首先，快速原型制作流程支持具体的原则，用户可以立即检查解释文本，产品属性，图像，推荐过程定义，和推荐规则的更改效果。 这个功能是以模板的形式实现的，可将图形定义的模型属性直接转换为相应的可执行推荐器应用程序。

其次，所有提到的信息单位的变化可以表现在一个图形水平。 这一功能对于没有良好的基础技术教育的领域专家来说十分重要，这一功能对于使知识获取环境更适宜领域专家来说非常重要。领域专家不受编程细节的影响 - 遵循严格分离应用逻辑和实施细节的原则的方法。

第三，集成的测试和调试环境支持即时反馈的原理，即在推荐者知识库和推荐过程中

全文共7811字，剩余内容已隐藏，支付完成后下载完整资料

英语原文共 872 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[15882]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 在空中搜救行动手机WiFi检测技术的可行性研究外文翻译资料
• 数据库开发过程外文翻译资料
• 更深入地讲卷积外文翻译资料
• 最先进的远程人脸识别算法评估外文翻译资料
• 算法动画的Unity 3D框架外文翻译资料
• 基于unity游戏引擎的3d建模和可视化-优势和挑战外文翻译资料
• 基于协同过滤和内容预测的改进推荐算法研究外文翻译资料
• 新研制的9Cr2WVTa钢的冷裂敏感性外文翻译资料
• 生成对抗网络图像合成与编辑综述外文翻译资料
• 基于JSP的网上化妆品商店销售系统分析与设计外文翻译资料