Systém doporučení

Systémy doporučení jsou specifickou formou filtrování informací (IF) k prezentaci informací (filmy, hudba, knihy, zprávy, obrázky, webové stránky atd.), Které jsou pro uživatele zajímavé. Systém doporučení obvykle srovnává profil uživatele s určitými srovnávacími charakteristikami a snaží se předvídat „názor“, který by uživatel poskytl. Tyto vlastnosti mohou pocházet z:

souhrn

Při konstrukci profilu uživatele se rozlišuje mezi explicitní a implicitní formou sběru dat:

Příklady explicitního sběru dat:

Příklady implicitního sběru dat:

Systém poté porovná data shromážděná o uživateli s těmi, která již existují (ostatní uživatelé), a vypočítá seznam otázek pro uživatele. Několik komerčních a nekomerčních příkladů je uvedeno v článku o Collaborative Filtering Systems. G. Adomavicius podává přehled doporučujících systémů, Herlocker podává přehled hodnotících technik pro doporučující systémy. Systémy doporučení jsou dobrou alternativou k jednoduchému vyhledávacímu systému, protože pomáhají uživateli najít položky, které by samy o sobě nezvažovaly. Zajímavé je, že systémy doporučení jsou často implementovány pomocí netradičních vyhledávačů indexujících data.

Systémy doporučení jsou Amazon.com , Amie Street , Baynote , Babelio , Genius , inSuggest , Last.fm , Netflix , Reddit , StumbleUpon a do roku 2014 ulike.net .

Druhy doporučení

Přehled

Systém používá čtyři typy doporučení:

  1. Personalizované doporučení (analýza chování uživatele internetu při zohlednění zadaných klíčových slov, historie vyhledávání, navigační cesty v rámci webu atd.), Nejjednodušší, nejméně efektivní a nyní nejúčinnější a méně používaná doporučení.
  2. Doporučení objektu (analýza preferencí spotřebitele s ohledem na vlastnosti nebo vlastnosti objektu nebo obsahu, přičemž tyto preference lze určit na základě minulého nákupního chování zákazníka).
  3. Sociální doporučení nebo doporučení pro spolupráci, založené na minulém chování podobných uživatelů (technika filtrování spolupráce podle blízkosti zájmu nebo podobnosti obsahu).
  4. Hybridní doporučení, které kombinuje tři předchozí doporučení.


Marc Ménard nebo Jean-Sébastien Vayre popisují různé typy generací týkající se doporučovacích systémů. Různé generace doporučovacích systémů jsou založeny na přesném rámci se 3 typy automatických úkolů prováděných těmito zařízeními:

Historie doporučovacích systémů

První generace  : na základě algoritmu „položka na položku“  : produkty jsou propojeny prostřednictvím svých vlastností. Tento typ systému doporučení se objevil u webu 1.0 a omezil uživatele na přísnou dokumentární roli.

Druhá generace: na základě společného filtrování, které nabízí produkty od jiných spotřebitelů, prohlášené bez jejich vědomí za odpovídající jejich preferencím. Logika doporučení je následující: „uživatel-uživatel“ a spojuje uživatele podle jejich profilů a předvoleb. Shromážděná data se používají k rekonstrukci navigace spotřebitele a poté umožní vytvořit jeho profil. Je také důležité myslet na všechny deklarativní informace, které uživatelé vyplňují: tj. Formuláře / formuláře vyplněné na webových stránkách. Tento typ systému doporučení se objevil u webu 2.0, který přinesl novou sociální kulturu: profil spotřebitele je rekonstituován prostřednictvím podobných profilů.

Třetí generace: založená na hybridním filtrování, které překračuje dvě předchozí generace (obsah + spolupráce). Tento třetí typ systému doporučení je zakotven ve společnosti, kde jsou digitální stopy uživatele vždy přítomnější a početnější. Inovace NICT ve společnosti zahrnují novou koncepci a nové využití agentů doporučení s nárůstem úložiště, novými ekonomickými zařízeními a novým zpracováním dat. To je zakotveno zejména v pohybu velkých dat .

Agenti třetí generace mohou modelovat preference spotřebitelů bez jejich přímého zásahu tím, že je výslovně formulují. A priori nejsou založeny na žádné formální definici preferencí, ale spoléhají na teorie učení nebo prostředky vyšetřování spotřebitelů, aby mohli definovat jejich preference. Prostřednictvím těchto prostředků vstupují do hry systémy strojového učení, které musí umožňovat individualizaci strategií podle cílového spotřebitele.

Jak se Jean-Sébastien Vayre dokázal vyvinout, primárním cílem těchto zařízení není pochopit chování uživatelů, ale co nejvíce automatizovat jejich požadavky a výsledky předvídáním jejich potřeb s komerční touhou po klíči ( spotřeba).

Účinnost

V roce 2014 „jsou motory doporučení založeny na hybridizaci doporučení pro více než třetinu webů s online prodejem  “. I když tento systém generuje jen mírné zvýšení konverzního poměru (z 2 na 2,22%), může představovat významnou část obratu na velkých online prodejních webech . Amazon by se tak znásobil 2 touto rychlostí a dosáhl 30% svého obratu prostřednictvím svého hybridního doporučovacího nástroje.

Pozorovaná omezení doporučovacích systémů

Ačkoli jsou navrženy jako pomocná volba pro uživatele, doporučovací systémy nejsou jen ve prospěch spotřebitelů. Obecně a zejména u kulturních statků jsou jejich limity:

Jako spotřebitel internetu by však bylo možné těžit z doporučovacích systémů s implementací politiky školení, jak navrhuje Emmanuel Durand, ředitel společnosti Snapchat France. Toto školení pro všechny by osvětlilo problematiku velkých dat, aby bylo možné jednat s úplnou znalostí faktů, aby byla zachována kulturní rozmanitost: porozumění tomu, jak algoritmus doporučení pracuje s otevřeností svého kódu, transparentnost při používání dat uživatelů internetu ( informovaný souhlas s monitorováním stop procházení, zpeněžení dat).

Algoritmické předsudky

Algoritmy doporučení mohou vést k výsledkům ovlivněným směrem k určitému obsahu.

Například práce reverzního inženýrství na algoritmu doporučení YouTube, který provedl Guillaume Chaslot a sdružení Algotransparency, ukazuje, že tento algoritmus má tendenci upřednostňovat konspirační obsah.

Oblasti použití doporučovacích systémů

Systémy doporučení se používají v různých oblastech: v knihovnách, na platformách kulturních statků, na komerčních místech, při návštěvách muzeí, v cestovním ruchu.

Muzeum

U návštěv muzeí se používají systémy doporučení ke zlepšení návštěv uživatelů. Bylo zavedeno několik modelů. Idir Benouaret představuje tři typy doporučovacích systémů pro návštěvu muzea:

Poznámky a odkazy

  1. http://ids.csom.umn.edu/faculty/gedas/
  2. http://web.engr.oregonstate.edu/~herlock/
  3. Gérald Kembellec, Ghislaine Chartron a Imad Saleh, Motory a doporučovací systémy , ISTE Editions,2014, str.  70
  4. (in) R. Burke, „  Hybrid doporučení systémy: průzkum a experimenty  “ , User Modeling and User-Adapted Interaction , Vol.  12, n O  4,2002, str.  331–370.
  5. Marc Ménard, „  Systémy doporučení pro kulturní statky Směrem k produkci shody?  » , Na https://www.cairn.info/ , Les Cahiers du numérique (sv. 10) , 2014/1, s. 69 až 94
  6. Jean-Sébastien Vayre - Franck Cochoy, „  Umělá inteligence na trzích: jak modelové systémy doporučení a zapojení spotřebitelů.  » , Na cairn.info , Les Études Sociales (č. 169) , 2019/1, s. 177-201
  7. Gérald Kembellec, Ghislaine Chartron a Imad Saleh, Motory a doporučovací systémy , ISTE Editions,2014, str.  74
  8. Marc Ménard, „  Systémy doporučování kulturních statků: k dosažení shody?  », Digitální notebooky ,2014( ISSN  2111-434X , číst online )
  9. Emmanuel Durand, Útok klonů: kulturní rozmanitost v době hyperchoice , Paříž, Presses de Sciences Po ,2016, 120  s. ( ISBN  978-2-7246-1980-5 , číst online ) , s. 89-108
  10. (in) Paul Lewis a Erin McCormick, „  How an insider YouTube Investigated Icts Secret Algorithm  “ , The Guardian ,2. února 2018( číst online ).
  11. Idir Benouaret , „  kontextuální a kompozitní doporučení systém pro individuální návštěvy kulturních památek  “, práce předložena k získání titulu doktora UTC ,25. ledna 2017( číst online , konzultováno 10. listopadu 2019 )

Podívejte se také

Bibliografie

Související články

externí odkazy