`

论文选读:Comparing Recommendations Made by Online Systems and Friends

 
阅读更多

一篇比较来自朋友的推荐和来自RS推荐的文章,没有实验,没有公式,没有编程。

摘要:选取六个在线推荐系统(三个书籍,三个电影),结果显示朋友提供更好的推荐,但是RS更能提供一些有用的,意想不到的推荐。调查显示用户不介意提供更多的信息去获取更好的推荐。推荐一些用户以前喜欢过的物品会增加用户对系统的信任感。新奇性是传统推荐的任务,而意外性则是推荐发展的一个新方向

假设:相对于RS,用户更喜欢来自朋友的推荐,因为朋友了解用户,知道其喜好(被推翻

自变量:推荐来源  Item领域  系统本身

评价指标

      1. 好的推荐

  • 有用的推荐:用户感兴趣的,以前未知的,用来在以后的使用的。

  • 可信的推荐:用户以前喜欢过的,对用户来说没有太大价值,增加用户信任感。

  • 综合满意度

  • 时间因素:包括注册时间和收到推荐的时间。


    2. 人机接口:

  • 要求用户输入信息,评分的item数量(用户冷启动的情况)

  • 推荐列表展现方式

  • 屏幕展现方式,导航,操作,颜色等

实验过程和结果:see detail in paper

设计RS的建议:

1.  Users don't mind rating more items initially to receive quality recommendations.

2.  Allow users to provide initial ratings on a continuous rather than binary choice scale.

3.  Provide enough information about the recommended item for user to make a decision.

4.  Provide easy ways to generate new recommendation sets.

5.  Interface matters, mostly when it gets in the way.

有一届RecSys会议,一位学者在做KEYNOTE的时候也提出了设计推荐系统的十点建议。

RECSYS 2009 KEYNOTE: TOP 10 LESSONS LEARNED DEVELOPING, DEPLOYING, AND OPERATING REAL-WORLD RECOMMENDER SYSTEMS

Comparing Recommendations Made by Online Systems and Friends Rashmi Sinha and Kirsten Swearingen

下载地址:http://onemvweb.com/sources/sources/comparing_recommendations.pdf

分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics