文摘
推荐系统是一个信息选择系统,提供用户偏好和增强他们的决策。这个系统通常是实现人机交互(HCI)干预,因为它的信息过滤和个性化。然而,它的成功率在决策干预被认为是低,理由是与用户的心理抗拒导致不成功的推荐系统干预措施。本文采用的计算模型来描述因素导致推荐系统由用户拒绝和这些因素是如何增强来实现成功的推荐系统干预措施。研究利用设计科学研究方法通过执行基于一个基于主体的仿真计算分析方法为模型开发和实现。总共16个模型概念被确定和形式化在Matlab环境中实现使用三个主要条件,建议在先前的研究。这项研究的结果提供了一个明确的理解推荐系统的相互作用产生心理抗拒的重视推荐系统开发人员和设计人员描述如何实现成功的推荐系统干预系统上没有用户体验电抗和拒绝。
1。介绍
推荐系统(俗称推荐系统)是一个用于预测的信息过滤系统项目用户的偏好和评级将为他们的个人选择或选择使用(1]。它是一组技术和工具用于提供产品的偏好和建议的主要目标客户无法做决定基于数量的替代产品。它通常是由于其实现增强用户的决策能力的干预措施(2]。它能增强用户的决策,通过向用户提供个性化的相关信息基于实时数据采集产品。推荐系统的采用和实施中展示了例如亚马逊(一个电子商务的网站)和其他服务涉及的分类提供建议,有效降低大空间摄入的信息用户在产品满足他们最好的偏好和需求选择和决定。“很多产品都在网上购买,有越来越多的客户需求大量的物品可以在网站过滤,这样特定的物品可以更容易地建立根据他们的实际利益。“网站使用推荐系统的例子包括Netflix(电影推荐),亚马逊(书推荐),Pendura(音乐推荐),雅虎新闻(新闻推荐)和其他信息提取和选择网站用户的偏好和兴趣基于相关产品或项目(例如大多数MySpace等社交媒体平台,LinkedIn和Facebook)。此外,根据Ojagh et al。3];位置识别的系统有两个特殊功能(可以跟踪用户的精确位置)和普遍性(可以使用在任何地方)。然而,大多数信息推荐系统通常是拒绝,忽视,忽视了用户(4,5]。这些信息被拒绝的理由与用户有关的心理抗拒导致不成功的推荐系统干预措施(6,7]。
心理抗拒时刺激推荐系统没有获得必要的因素限制了观众的威胁在推荐(8]。推荐系统用户感到他们的自主权受到威胁的推荐系统,使他们体验到心理抗拒(9]。心理抗拒引发愤怒、愤怒和烦恼,不会允许系统用户的自主权从而导致偏转系统的决策和建议。尽管先前的研究已经强调模型的影响心理抗拒如Reynolds-Tylus et al。10];艾克塔等。11];洛瑞和喜怒无常12];然而如何减少用户的电抗来增强接受系统的建议并没有得到充分的研究。此外,没有先前的研究探索了基于主体建模等计算分析的解决方案,以减少用户的电抗限制成功的推荐系统干预措施。因此,本研究旨在开发一个计算推荐系统成功的干预。
2。文献综述
推荐系统(RS)显示定制和个性化的内容在一个池的产品或项目用户的集合。这些定制和个性化内容背后的基本原理是影响用户的决策过程是至关重要的成功的干预。这是实现当用户找到相关和有意义的信息建议产品或物品。根据Bhaskaran Marappan [13RS即协作过滤RS)有三个主要的分类,基于RS和混合型RS。协作过滤RS使用反馈机制利用相似性评级在大量的用户在一个项目或产品。这通常是通过表明类似的项目,用户利用,它是基于用户或项目行为模式(14]。例如如果用户通常寻找鞋子,衬衫和腕表基于他们的在线行为模式,鞋子和衬衫可以推荐任何其他用户寻找手表。
另一方面,基于RS使用项目或产品描述表示比较推荐。这是通过矿业项目或产品描述泛化和分组。例如,“星球大战”,“银翼杀手”和“十二猴子”可分为科幻电影基于他们的电影类型信息。《星球大战》和《银翼杀手》的电影也可以建议用户寻找十二猴子电影或任何其他科幻电影。第三个分类是混合型RS和它结合基于内容的过滤和协作过滤的方法(15]。根据Pachot et al。16)混合型RS可以通过使用三种不同的方法。第一种方法是通过单独使用基于内容和collaborative-based分析和预测然后合成输出集成在一起。另一个方法是直接基于内容和collaborative-based方法整合在一起以获得结果。这种方法使用两种方法来分析和预测结果。第三种方法是通过开发一个模型的两种方法基于内容和collaborative-based推荐系统。的混合型RS方法使用,混合型已被确定更准确的比较与其他方法(基于内容和collaborative-based)因为它发现局限性像准确,稀疏和预热将提到的Javed et al。17)和Reddy et al。18]。
一般来说,RS的实现和部署在不同部分和域像社交网络19- - - - - -22,新闻门户网站23- - - - - -25)、智能助理(26- - - - - -28)、电子商务(29日- - - - - -31日),搜索引擎(32- - - - - -34,物联网35)、医疗管理(36- - - - - -38),智能家居39- - - - - -41),金融应用程序(42- - - - - -44),智能城市45- - - - - -47,游戏48- - - - - -50,时尚51- - - - - -54,旅游55- - - - - -58)和其他高质量交付平台确保个性化和定制的信息由用户方便。
提高RS应用的功效,有各种评价研究如Alhijawi et al。59];Zangerle和鲍尔60];Verachtert et al。61年)和Fayyaz et al。62年]。在这些研究中,Fayyaz et al。62年)已经确定了五个主要的局限性与RS即本身(系统中缺乏足够的数据可用性会导致低效的RS),数据稀疏(user-item矩阵信息会导致RSs提供不稳定和不可靠的建议),可伸缩性(选择大量的向用户推荐),多样性(选择中最可取的大池的建议给用户)和习惯化效应(表示方式和平台用户影响RS的效率)。此外,研究诸如Badewi et al。63年];Sysko-Romańczuk et al。64年];李等人。65年];Aljukhadar和Senecal7)认为,RS用户通常经验导致拒绝的心理抗拒,忽略和漠视的建议。这个论点是进一步由马et al。6]和Aljukhadar Senecal [7],RS建议拒绝与用户的心理抗拒不成功的RS干预的原因。因此,本文旨在开发计算模型的RS干预可以减少用户的电抗来增强接受RS对成功决策的干预措施的建议。
3所示。方法
巨大的文献中,有许多研究方法,提出了解决任何研究问题和问题但需要识别最适合一个特定的研究问题和问题的解决方案。因此,本研究的关键考试问题如上所述的引入本文计算模型的发展。设计科学研究(域)方法选择最合适的由于其关键和逐步发展模型及其验证方法。然而,一个案例研究等研究方法和实验设计不能被视为是适当的,因为这些研究方法没有专注于模型设计。这是在线和Kuechler Vaishnavi [66年]提交安全域是一个解决问题的范式,即有六个阶段和目标识别问题,提出了解决方案,设计模型的验证,模型演示和沟通,总结图模型1。
为反映在图1上图,第一阶段是问题识别用户的心理抗拒的减少移动推荐系统。第二阶段是目标识别指的是四个研究目标部分所提出的目标。第三是模型设计和开发基于Adegoke et al。67年和博斯等。68年]。图2在这个阶段显示了活动基于宝仕等使用的过程。68年]。
正式的模型开发后,模型验证是第四阶段,它是基于Ojeniyi et al。69年)和Ajoge et al。70年]。第五和第六阶段将模型的模拟和仿真的痕迹将解释和报告。见图模拟活动3设计正式的评估模型。
接下来的小节,目前的模型概念的结果,正式的模型和模拟输出代表仿真痕迹。在线讨论的结果是与以往的研究论文目的和支持。
4所示。结果和讨论
本研究利用3理论(理论推断Action-TRA, Behaviour-TPB计划,理论和自我效能理论产生),和4概念模型(Model-FBM福格行为、健康信念Model-HBM复发预防Model-RMP和Trans-Theoretical Model-TM)。基于这些3和4概念模型理论,16(16)概念被制定和提出了表1。
基于3和4模型理论与经验证据支持从文学的关系表征形成概念模型。摘要因果关系产生的概念模型研究呈现在图4。
在概念模型中,箭头表示概念的相互作用关系的因果依赖关系如表所示1。形式化的概念是基于以前的研究像Adegoke et al。67年)和塞拉诺et al。(93年]。比如在方程(1),规范化的建议(Sr)的严重程度取决于推荐任务(Rt)和推荐拒绝(Rr)概念模型如图所示4。因此,老被认为是高当Rt和Rt都是在先前的研究明显像Sharma et al。87年]。这类似的概念用于其他形式化如下给出方程(1)- (16): 在哪里 , , , 和 , 相应的方程的模拟权重因素吗 而:ζλ,φ规范的约束,而Δ吗t是指时间的变化率(t)。
正式的模型方程(1)- (16)使用三种情况即实现任务具有挑战性的建议,平淡乏味的建议,和最具影响力的建议。实现了在Matlab使用伪代码显示在图5。
4.1。案例一:平淡乏味的推荐
在这种情况下,推荐是描述计划行动(Pa),较低的社会影响(Si),能力(Ab),信仰(Bf)和推荐知识(Rk),而高推荐任务(Rt)如表所示2。
推荐的特点是缺乏他人的支持,低能力,理解不足,低的信念,知识目标实现的建议给出的信息推荐,但信息的本质是高了唐(97年]。获得的仿真运行代码后,痕迹呈现在图6。
基于图6,可以看出DFr导致退休研究中心和CRa。同时,有一个非常广泛三之间的边缘。DFr发现趋近1而CRa趋于0。这意味着当一个推荐获得这种情况下归因条件那么它的行动将由高不满和低一致性特征的建议接受这表明推荐系统将无法持续执行目标干预由于其非常容易高不满[98年]。
4.2。案例二:任务具有挑战性的推荐
任务具有挑战性的推荐与高社会影响(Si)描述,推荐知识(Rk),信仰(Bf)和推荐任务(Rt)而低行动计划(Pa)和能力(Ab)如表所示3。
这推荐具有低的主动性和能力来完成一项艰巨的任务。仿真运行仿真代码后获得的痕迹呈现在图7。
仿真如图痕迹7表明DFr导致退休研究中心和CRa而CRr导致CRa保证金。这表明,推荐用这个特性将显示不满,这也让它无法实现任务由于电抗101年,102年]。
4.3。案例三:影响的建议
案件情况提出推荐特色推荐高知识(Rk),能力(Ab),信仰(Bf),社会影响(Si)和行动计划(Pa)只有推荐任务(Rt)低如表所示4。
如此高的特点是一个推荐功能和影响力来实现这个任务。仿真运行代码后获得的痕迹呈现在图8。
仿真痕迹呈现在图8表明CRa导致DFr和哭泣。同时,大幅度滞后之间观察到的DFr和哭泣,但保证金铅密切观察CRa和DFr之间。换句话说,当一个推荐获得这种情况下然后将拥有高CRa的特点,减少DFr和极低的哭泣。这是因为影响的系统拥有它可以完成自己的任务。类似的结果指出了福格(104年)系统提供有利支持和影响主要是实现他们的目标任务。推荐能持续实现其任务时将会有一个轻微的不满由于低水平推荐任务(这是因为推荐任务应该适度挑战性的用户)。结果的总结提出了表5描绘了三个选定的情况下。
因此,唯一有影响力的推荐情况发现经验没有心理抗拒的原因它实现的任务。同时,任务具有挑战性和令人沮丧的推荐系统获得拥有导致电抗特性使他们无法实现任务因此,这已经明确描述推荐系统失败背后的基本原理在决策干预造成的心理抗拒。这个发现将重视推荐系统开发人员和设计人员的描述如何实现成功的推荐系统干预。
5。结论
推荐系统设计的三个模拟案例描述低任务(Rt)和高计划行动(Pa),能力(Ab),信仰(Bf),社会影响(Si),推荐知识(Rk)往往会限制用户的电抗在决策干预。虽然其他的可能性之间的关系可以进一步调查了解用户的电抗和成功的推荐系统的干预,但是,本研究认为基于发现的合法实现这些确定因素和概念将增强成功的推荐系统的干预。这可以帮助设计人员和开发人员的推荐系统关注这些概念的实现成功的干预措施。模拟器的实际,研究提出了个性化支持代理描述每个因素的影响在减少心理抗拒和成功的系统干预。个性化推荐系统模拟器是基于支持个性化模型。此外,它进一步扩大了解移动推荐系统采用的个性化和推荐的行为属性作为系统核心组件在科学推理的干预。个性化支持代理使设计师的正式模型进行预测和科学推理对用户未来场景的决策”。本文涵盖了个性化和推荐的属性移动推荐系统,未来的研究可以探讨这些因素或重新定义和概念用于这项研究一种改进的模型。这可以实现在一个电子商务的网站,进一步验证模型。
数据可用性
没有数据在研究过程中生成的。
的利益冲突
作者宣称没有利益冲突。
确认
还没有收到任何资助这项研究。