個性化推薦系統是促進人類決策的重要工具。大多數最先進的推薦系統使用先進的機器學習技術，從行為數據建模和預測用戶偏好。雖然這樣的系統可以提供有用的建議，但它們的算法設計沒有納入塑造用戶偏好和行為的潛在心理機制。在這個跨學科的教程中，我們引導與會者通過最先進的心理學信息推薦系統(PIRS)，即，考慮外在和內在的人為因素的推薦系統。我們涵蓋了認知激勵、個性感知和情感感知的推薦方法;我們展示了這樣的系統如何以高度以人為本的方式改進推薦過程。
//socialcomplab.github.io/pirs-psychology-informed-recsys/
在過去的二十年中，推薦系統的研究已經成為計算機科學中的一個新興領域(Ricci et al.， 2011)。在線市場、在線社交網絡、在線協作平臺和在線社交信息系統(Caverlee et al.， 2010)的出現，催生了為用戶提供推薦的需求，以幫助他們應對在線信息和商品的增加(Liu et al.， 2014)。大量的工作已經從廣泛的角度解決了推薦系統的研究。推薦系統手冊(Ricci et al.， 2015)或推薦系統簡介(Jannach et al.， 2010)等資源提供了該領域的全面概述。評論文章(Jannach et al.， 2012)也是如此。最近的調查提供了可解釋推薦(Zhang, Chen et al.，2020年)、推薦系統中的深度學習(Xu et al.，2020年)、對對抗推薦系統(Deldjoo et al.，2021b)或對話推薦系統(Jannach et al.，2020年)的簡明概述。
推薦系統的早期工作是受到這樣一種觀察的啟發，即人類傾向于根據其社會環境提供的推薦做出決策(Ricci et al，2011)。相應地，作為推薦系統開發的第一個算法旨在模仿這種行為(Resnick和Varian, 1997;Ricci et al，2011)。在21世紀初，心理學模型在推薦系統研究中的應用得到了廣泛的關注。Gustavo Gonzalez, Timo Saari和Judith Masthoff進行了開創性的工作，他們利用用戶的心理特征來改進推薦過程。為此，Gonzales等人(González et al，2002;González et al.， 2004)考慮用戶的情感方面來生成個性化的推薦。Saari等人(Saari et al.， 2004b; Turpeinen和Saari, 2004;Saari et al，2004a;Saari et al，2004a;Saari et al.， 2005)設計的推薦系統結合了用戶的情感和注意力，以及其他相關的結構，以提供推薦(Nunes, 2008)。Masthoff等人(Masthoff, 2004b;Masthoff, 2004;Masthoff, 2005;Masthoff and Gatt, 2006)，評估了個體用戶的用戶滿意度，并預測了向用戶組推薦項目序列時的群體滿意度。他們的直覺是，推薦列表中的前幾個推薦會影響用戶的情緒。這種情緒反過來又會影響用戶對推薦列表中下一個項目的看法(Nunes, 2008)。Felfernig等人(2007)利用決策心理學的見解對在線買家行為進行了更深入的理解，并改進了基于知識的推薦系統。
個性化的推薦系統在當今的網絡世界中已經變得不可或缺。目前大多數推薦算法都是數據驅動的，基于行為數據。雖然這樣的系統可以產生有用的建議，但它們通常是無法解釋的黑箱模型，在算法的設計中沒有納入用戶行為的潛在認知原因。本調查的目的是對利用心理結構和理論來建模和預測用戶行為并改進推薦過程的推薦系統的最新技術進行徹底的回顧。我們稱這種系統為心理信息推薦系統。該書確定了三類心理信息推薦系統:認知激勵型、個性感知型和情感感知型推薦系統。此外，對于每個類別，我們都強調了心理學理論在其中發揮關鍵作用的領域，因此在推薦過程中會被考慮在內。由于推薦系統是支持人類決策的基本工具，我們還討論了影響用戶和推薦者之間交互的選擇決策心理現象。此外，我們討論了從用戶角度研究推薦系統評估的相關工作，并強調了以用戶為中心的評估框架。在本調查的最后，我們討論了未來工作的潛在研究任務。**
****在本綜述文章中，回顧了推薦系統社區的研究方向，這些研究方向用心理構造豐富了數據驅動的推薦技術，以設計或改進推薦系統。**我們稱這種系統為心理信息推薦系統。本次調查的組織如下。在1.2節中，我們首先介紹了常見的推薦系統方法，然后在1.4節中，簡要描述了我們的調查方法和研究范圍。接下來，在第二節中，我們回顧了心理信息推薦系統的相關工作，我們將其分為認知靈感型、個性感知型和情感感知型推薦系統。此外，在第3節中，我們回顧了研究用戶與推薦系統交互時所產生的各種決策心理現象的工作。此外，在第4節中，我們討論了從用戶角度研究推薦系統評價的工作。我們在第5節中總結了主要發現和未來工作的可能方向。
付費5元查看完整內容
相關內容
推薦系統，是指根據用戶的習慣、偏好或興趣，從不斷到來的大規模信息中識別滿足用戶興趣的信息的過程。推薦推薦任務中的信息往往稱為物品(Item)。根據具體應用背景的不同，這些物品可以是新聞、電影、音樂、廣告、商品等各種對象。推薦系統利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定應該購買什么產品，模擬銷售人員幫助客戶完成購買過程。個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信息和產品過程無疑會使淹沒在信息過載問題中的消費者不斷流失。為了解決這些問題，個性化推薦系統應運而生。個性化推薦系統是建立在海量數據挖掘基礎上的一種高級商務智能平臺，以幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。
我們每天都在與機器學習系統互動，這些系統會根據用戶個性化預測，無論是推薦電影、尋找新朋友或約會對象，還是組織我們的新聞推送。這些系統涉及多種形式的數據，從點擊或購買的序列，到包含文本、圖像或社交互動的豐富形式。
雖然設置和數據模式差異很大，在本書中我們介紹了一套共同的原則和方法，以支持個性化預測模型的設計。
本書首先修正了“傳統的”機器學習模型，并特別關注如何使它們適應涉及用戶數據的設置。稍后，我們將開發基于更高級原則的技術，如矩陣分解、深度學習和生成建模。最后，我們對部署個性化預測系統的后果和風險進行了詳細的研究。
通過理解個性化機器學習背后的原理，讀者將獲得為涉及用戶數據的廣泛應用設計模型和系統的能力。一系列案例研究將幫助讀者理解個性化在從電子商務到個性化健康等領域的重要性，而實際項目和代碼示例(以及在線補充)將讓讀者獲得使用大規模真實數據集的經驗。
付費5元查看完整內容
個性化推薦系統是促進人類決策的重要工具。大多數最先進的推薦系統使用先進的機器學習技術，從行為數據建模和預測用戶的偏好。雖然這樣的系統可以提供有用的建議，但它們的算法設計并沒有包含塑造用戶偏好和行為的潛在心理機制。在這個跨學科的教程中，我們指導與會者通過最先進的心理信息推薦系統(PIRS)，即，考慮外在和內在的人為因素的推薦系統。我們包括認知啟發、個性感知和情感感知推薦方法;我們展示了這樣的系統如何以高度以人為中心的方式改進推薦過程。
付費5元查看完整內容
推薦系統(RS)在信息搜索方面已經取得了巨大的成功。近年來，為了更好地擬合用戶行為數據，人們進行了大量的推薦模型研究。然而，用戶行為數據是觀察性的，而不是實驗性的。這使得各種偏差廣泛存在于數據中，包括但不限于選擇偏差、位置偏差、暴露偏差。盲目擬合數據而不考慮固有偏差會導致許多嚴重的問題，例如，離線評估和在線指標之間的差異，損害用戶對推薦服務的滿意度和信任等。為了將大量的研究模型轉化為實際的改進，迫切需要探索偏差的影響，并在必要時制定去偏策略。因此，推薦系統中的偏倚問題及其解決方法引起了學術界和業界的高度關注。
在本教程中，我們旨在系統地回顧關于這個主題的現有工作。我們將介紹推薦系統中的七種偏見，以及它們的定義和特點;調研現有的去偏解決方案及其優缺點;并確定一些開放的挑戰和未來的方向。我們希望本教程能激發更多關于這個主題的想法，并促進去偏推薦系統的開發。
付費5元查看完整內容
2021年第14屆國際網絡搜索與數據挖掘會議WSDM將在2021年3月8日到12日于線上舉行。今年此次會議共收到了603份有效投稿，最終錄取篇數為112篇，錄取率為18.6%。在WSDM上，有關于《偏見感知推薦系統的進展》教程值得關注！
排名和推薦系統在當今的網絡平臺上扮演著關鍵角色，肯定會影響到大量用戶的信息搜索行為。然而，這些系統是根據經常傳遞不平衡和不平等的數據進行訓練的，這些模式可能在系統提供給最終用戶的結果中被捕捉和強調，從而產生偏見，提供不公平的結果。鑒于偏見信息尋求成為一個威脅,
(1) 研究跨學科概念和問題空間,
(2) 制定和設計一個bias-aware算法管道,和
(3)和減輕落地的偏見的影響,同時保留底層系統的有效性,正在迅速成為熱門的研究熱點。
本教程是圍繞這個主題組織的，向WSDM社區介紹了在評估和緩解推薦系統中的數據和算法偏差方面的最新進展。我們將首先介紹概念基礎，通過調研當前的技術狀態和描述真實世界的例子，從幾個角度(例如，倫理和系統的目標)偏見如何影響推薦算法。
本教程將繼續系統地介紹算法解決方案，以便在推薦設計過程中發現、評估和減少偏見。然后，一個實用的部分將向與會者提供處理前、處理中和處理后消除偏見算法的具體實現，利用開源工具和公共數據集。在本部分中，教程參與者將參與偏倚對策的設計，并闡明對利益相關者的影響。最后，我們將分析這個充滿活力和迅速發展的研究領域中出現的開放問題和未來的方向，從而結束本教程。
付費5元查看完整內容
主題： Building Useful Recommender Systems for Tourists
簡介： 推薦系統是信息搜索和過濾工具，應為要使用的項目提供建議。 最先進的推薦系統利用數據挖掘和信息檢索技術來預測商品在多大程度上適合用戶的需求和需求，但是通常它們最終會提出明顯而無趣的建議，尤其是在復雜領域（例如旅游業）。 在演講中，將介紹典推薦器系統的思想和技術。 我們將討論為游客建立有用的推薦系統所需的一些關鍵要素。 因此，我們將指出推薦系統研究的一些局限性和挑戰。 然后，我們將介紹一些新穎的技術，這些技術利用從觀察到的游客行為中收集的數據來生成更有用的個人和團體推薦。
嘉賓介紹： Francesco Ricci博士是Bozen-Bolzano自由大學（意大利）的正教授兼計算機科學學院院長。他與他人共同編輯了《推薦系統手冊》（Springer，2011年，2015年），并作為ACM推薦系統會議（2007年至2010年）指導委員會主席在社區中積極工作。他（2000年至2006年）曾是ITC-irst（意大利特倫托）的電子商務和旅游業研究實驗室（eCTRL）的高級研究員和技術總監。從1998年到2000年，他是Sodalia s.p.a.的研究和技術部門的系統架構師。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191