文摘

普适计算技术的使用为广告目的是一个有趣的新兴领域的大型、中型和小型企业。虽然推荐系统传统的解决方案来减少用户的认知努力找到好的和个性化的产品,传统的协同过滤需要包含上下文信息更有效。包含用户的社会背景信息的推荐算法,特别是对其他用户的信任,可能是一个机制来获取广告的影响从其他用户在他们最亲密的社交圈子。然而,并没有一致的变量使用信任推理过程,及其集成到传统的协同过滤推荐系统值得更深入的研究。另一方面,无处不在的广告领域要求的推荐系统评价新颖性/精密角度。精度的提高和新奇的平衡不仅是一种物质相关推荐算法本身也是一个更好的“显示策略的建议。在本文中,我们提出一个新颖的方法,协同过滤推荐系统基于信任,这是测试在数字标牌使用多屏幕原型方案建议交付评估我们的建议使用新奇/精度的方法。

1。介绍

目前,普适计算技术的使用为广告目的是一个有趣的新兴领域大型,中型和小型企业。营销的地区之一,广告,被定义为“支付任何形式的非个人展示和推广的想法,商品或服务由一个确定赞助商”(1]。频繁,研究集中在广告提供潜在客户通过他们的个人设备(智能手机、平板电脑或个人电脑),但公共空间仍然是对广告客户的吸引力,考虑到75%的购买决定都是在或接近销售地点(2]。这个领域,被称为数字标识,相关数字内容使用公共屏幕显示(3]。然而,有挑战与实现无处不在的广告空间,这可以从以下角度分析:首先,需要个性化内容推荐系统可以解决的是一个问题理论,它提供了工具和技术来提供建议在一个巨大的收集的物品为一个特定的用户。具体来说,协同过滤是最受欢迎的技术建议;它查找用户意识到他们的亲和力之间的相关性,然后同事他们的项目评估4]。尽管如此,还要求定制过程包含关于用户上下文的信息。它可能是一个挑战,包括所有变量,这可能被视为“上下文”推荐算法,但一个变量是特别有趣的广告领域:用户的“社会环境。“多年以来,“口碑”一直是一个强大的技术用于营销目的,所以用户的社会背景信息纳入推荐算法(具体地说,对其他用户的信任)是一种机制获取广告的影响其他用户的最亲密的社交圈子。中使用的传统的协同过滤推荐系统根据用户的计算建议评级相似之处,但他们是匿名用户。的社会背景信息可以提高广告推荐过程与说服的目的,考虑到67%的购买决定都是受到别人的意见接近。尽管一些研究开发建议书包含的信息在用户的社交圈,它们经常是基于明确的机制来计算用户之间的信任,或者他们试图推断出从评级矩阵本身同样的信息。其他方法定义信任机制来推断从社交网络,但是,在大多数情况下,他们使用专有网络或集成策略进入推荐算法是不完全定义和测试。

另一个主要问题是相关的评价重点为无处不在的广告推荐系统领域。频繁,推荐系统的评价一直集中在精度方面,但建议新奇可能是一个方面更相关的广告说服的目的。尽管如此,提高推荐系统的精度和新奇的平衡在这些情况下可能不仅RS算法本身的问题,但也是一个更好的显示策略问题。在数字标牌的环境中,例如,大多数公共显示交互活动不考虑多屏幕的方法,其中的内容可能分布在不同的设备(例如,公共屏幕和智能手机)。屏幕内容复制而不是使用;如果这种方法结合聚合技术提供建议的人群在主屏幕上一个更加健壮的以信任为基础的推荐算法提供自定义屏幕上一个个人物品(如智能手机)之间的平衡精度和新奇的建议可以改善。另一方面,定义了几种方法来衡量不同的推荐系统变异的新奇,但是一个合适的定义广告领域值得深入的分析,这是这项工作的贡献之一。

根据前面的分析,我们的建议是专注于如何构建一个推荐系统的研究问题为无处不在的广告环境支持智能TV-smartphone框架,和评估以下假设:(H1)包含的多屏幕功能建议交货可以提高精度和新奇的平衡;(H2)的信任信息的协同过滤算法有助于提高精度和新奇的平衡。

目前的工作发展一个新的广告推荐系统的方法领域,使以下贡献:从社会网络交互信息信任推理算法;协同过滤推荐算法的变体包括信任信息在推荐过程中;数字标牌的案例研究的定义,分析了影响信任包容和多屏幕显示策略的推荐精度和新颖性;和评估方案来源于巴尔加斯的工作和社会5)来衡量的新奇无处不在的广告领域。

本文结构如下:部分2总结了一些相关工作,部分3介绍了信任推理算法,部分4描述了战略包括相信经典的协同过滤,部分5介绍了研究情况和实现原型的特点,部分6描述了实验的结果,和部分7概述了结论和未来的工作。

2。相关的工作

从无处不在的广告(特别是数字标牌)作为一个领域的研究中,我们将总结一些最相关的相关工作,考虑到当前研究的主要概念。

推荐系统已经从数据挖掘和机器学习理论。他们多年来一直研究作为一个典型的解决方案来减少认知努力当一个巨大的收集物品的用户可能探索,独立于特定的领域。一些以前作品编译概念、算法和技术,更相关的推荐系统的角度(6- - - - - -8]。特别是,协同过滤推荐系统最常用的技术之一。它看起来用户意识到他们的亲和力之间的相关性,然后把他们的项目评估4]。一些先前的工作应用协同过滤技术用于广告目的(9),包括一些上下文变量,但从一个显式的方法;信任的包含在建议少这个特定领域的探索。

总的来说,包含信任推荐系统可以从两种方法研究:明确的信任信息从用户或信任推断用户的信息。对于第一种方法,马萨和Avesani10]扩展经典推荐系统算法,包括信任矩阵除了评级矩阵来取代传统的预测机制的算法计算信任网络中传播,他们用这个估计而不是相似。Golbeck [11]FilmTrust开发的,一个网站,使用信任推断从专有电影社交网络提供建议;工作重点是决定如何创建接口来表示用户之间的连接根据他们提供的信息使用一个名为TidalTrust的算法。中可以看到其他类似的传播方法(12,13]。其他几个作品开发建议信任推理,与第二种方法。马路和史密斯14]扩展传统用户×项空间用户××项目上下文空间,定义一个信任从用户评分矩阵推断;一个类似的提案是由Martin-Vicente et al。15但对于专业知识和声誉的推论。其它建议超越并试图推断出信任从社交网络信息。例如,陈和方16]提出一种基于协同过滤推荐框架,社交网络和信任。在本研究中,两种方法来计算相似度定义:第一个使用相似的配置文件,第二个是基于人们的交互。从这两个值,一个独特的价值计算,包括推荐算法;此外,作者提出一个框架来使用社交网络Facebook。Bakshy et al。17)表明,人们在社交网络之间的交互是最强的组件的信任推理,和其他研究工作与这一趋势一致,定义框架基于交互信息来推断信任。吉尔伯特和Karahalios [18)定义一个预测模型,将社交媒体数据映射到领带强度超过2.000社交媒体关系的数据集。结果,前15名预测变量定义了信任推理。其它建议使用类似的方法基于交互信息,我们发现了几个协议之间的引用变量用于信任推理(19- - - - - -21]。这些作品设置当前研究的一个重要起点,我们将扩大的某些方面在以下部分。

虽然以前作品重要进展与推荐信任推理的目的,指出有一些缺失的背景下,当前的研究:无处不在的环境要求捕捉尽可能多的信息在一个隐式的方式,和无处不在的广告领域也不例外,所以信任推理机制从捕获的信息从用户不是对这一领域的吸引力。虽然信任推理从评级矩阵本身或延长用户××项目上下文矩阵是有趣的,它仍然推断来自匿名用户的信息,也没有保证这些用户属于最接近用户的社交圈。根据前面描述的广告领域,我们推断信息感兴趣的朋友,这是这些技术的缺点和经典的协同过滤。因此,信任推理从社会网络信息似乎是一个普遍的广告领域的更合适的解决方案,但专有的社交网络的使用限制了系统的可伸缩性建议的目的。另一方面,没有共识的最佳变量来推断从公共社交网络如Facebook,信任和没有明确的战略包括信任信息的推荐算法。这些方面需要深入研究。

另一个重要方面是评价方法用于建立了一个基于信任的推荐系统中无处不在的广告领域。要求更高的挑战之一在推荐系统理论中有关指标碎片来评估这些类型的系统的不同方面。Herlocker et al。22)开发了一个实证分析对不同精度指标,和Gunawardana沙尼(23)定义了一个离线实验的设计与评估指南的目的。历来精度指标常用来评估推荐系统,但是,根据普遍的广告领域的特性,新颖的建议可能与说服更相关的目的。McNee et al。24)提出新的方向来评价推荐系统,包括新颖的程度。通用电气等。25]分析角色的覆盖和新奇的推荐质量和介绍方法来测量它们。Kawamae [26)提出了一个算法来生成小说建议关注的搜索时间,没有任何建议,每个用户将需要找到一个理想的自己和小说,假设后用户的惊喜程度估计搜索时间成正比。在一个最有趣的新奇相关测量工作,巴尔加斯和潮流5)开发了一个正式的新颖性和多样性指标的定义框架,统一和推广了几个先进的指标。新奇的信息一般是指不同的是关于如何“先前所看到的,”一个特定的用户,只要多样性一般适用于一组项目,它与不同的项目是彼此。这是新奇的事物有关,当一组是不同的,每一项是小说对其余的组(5]。这项工作作为起点新奇度量定义在当前的研究中,将详细描述后及其贡献。

最后,尽管先前定义的方法来测量工作的新颖程度的建议,其中一些还定义方法影响新颖性的推荐算法本身。然而,当前研究的一个主要假设之间的平衡精度和新奇的建议可能会影响到不仅推荐算法本身,也更好的“显示策略的建议。对于我们的特定的研究情况,在数字标牌空间设计中,我们考虑一些相关建议的交付工作的人群(27,28]:PolyLens系统的一个变体MovieLens [29日],MusicFX [30.),和阴谋31日]。其他方法定义机制来提高用户之间的互动和公共场所([32- - - - - -34]或[35- - - - - -38),但多屏幕的方法从推荐系统的角度及其对平衡精度的影响和新奇没有探索。

3所示。从社交网络推断信任

同质性的信任推理概念密切相关的概念,原理,假定人们倾向于形式与其他的人也有类似的特征(39]。从最基本的意义上说,这种方法可能会导致一个关系的二元分析研究一个朋友/不朋友条件。然而,这种方法是不够的,试图推断出个体之间的信任,见下面的例子从社会网络分析:假设用户A和用户B是朋友,和用户B和C也是朋友,但用户和用户C只是熟人。几天后,用户C发送朋友请求用户,现在他们正在连接时朋友接受了邀请。从二分法的角度来看,没有用户A和B之间的关系和差异,用户A和C之间,尽管这是不准确的。信任推理是一个概念,超越了简单的“朋友/不朋友”状态分析、和一个新概念源自社会网络分析这种方法补充:领带的力量。系强度特性试图计算两个用户之间的强度关系,当它们之间存在一个领带。因此,领带强度分析主要将两种可能的结果:强关系(真正的朋友)和弱关系(熟人)[40]。

虽然配置信息可以提供某种程度的相似之处的人的信息,以往的研究表明,交互信息是最重要的一个来源,试图预测系力量。几个技术可能被应用来推断领带使用多样化的技术力量:互惠两个移动电话用户之间的电话,推文之间的Twitter用户的数量,甚至是个体之间的电子邮件交流活动。尽管如此,社交网络提供更丰富的空间来推断信任从几种类型的交互,因此建立一个更精确的地图的特定用户信任。具体地说,目前的研究将使用社交网络Facebook作为参考。其他作品建立专有的社交网络的实验,但是Facebook的研究可能使一个更加可伸缩的解决方案在几个领域由于网络的普及和使用由数以百万计的用户。

作为起点,目前的工作使用中提出的模型(18),作者引入预测模型,将社交媒体数据映射到领带强度超过2.000的数据集社交媒体关系区分强和弱关系。表1显示了预测模型的总结建议不同类别的变量。

这个模型定义了前15名预测变量;我们比较这些排名前15的结果与类似研究获得一组统一的变量作为我们研究的起点(见图1)。

根据前面的结果,选择七个变量作为起点来构建两个用户之间的信任推理算法,a和B(如以下部分所示)。

第一组变量来推断信任从Facebook如下:收件箱的信息交换。喜欢(从B)。标签到B。标签从B。Cotags(帖子的用户都标记在一起)。评论(从B)。墙的帖子(从B)。

一旦我们为信任推理定义第一组变量,我们首先定义一个方法的算法。主要目标是构建一个方程相结合的贡献这组变量计算信任分数后可以集成到一个协作推荐过滤技术和保持尽可能简单的性能的目的。因为信任不一定是对称的,从工作41),根据简单的多属性效用理论(MAUT),我们最初定义用户在用户B的信任如下: 在哪里C IM收件箱交换消息,评论,WP墙的帖子,和小孩的前缀“总”,这是物品的总量为特定的属性,也就是说,收件箱交换消息的总量由某些用户与他所有的朋友。这个正常化意义当我们考虑个体之间的互动频率的信任作为一个明确的指标。例如,假设用户与用户交互的数量B和C,如图2。乍一看,一个可以信任的C B以上,但这很可能是因为比B, C是一个更活跃的用户的活动水平这两个用户必须考虑。假设B共有5与他的朋友们的互动,和C有10交互。归一化发生的时候,我们看到,近60%(3/5)的B与用户交互,只要相互作用只代表用户C的40%(4/10),所以活动用户的作用是强大的。总之,重要的是要有一个全球的网络活动,而不是只关注特定的信任推理对”活动。其他作品有类似的方法用于规范化17,21]。

最后一个挑战是正确估计相关的每个变量的权重方程。这不是一个微不足道的问题,建议使用实证估计和主观权重在实验(42]。尽管它可能是一个可以接受的方法,我们寻找一种机制结合相关变量;例如,标签可能会触发一个评论或喜欢,所以这些交互的数字是相关的。因此,我们选择适应李(建议的方法21),应用主成分分析(PCA)统计程序。PCA利用正交变换将一组观测可能相关的变量为一组不相关的值通过寻找一组较小的交互变量的线性组合。因此,也分配权重每个独立的组件,简化了计算权重的过程根据每个交互类型的贡献。总之,这个过程获得的信任分数为每个用户的朋友,如下所示。

(1)交互矩阵计算。为每一个朋友的用户(),一个交互向量的定义,;因此,每一行代表了朋友之间的相互作用和用户,每一列代表一个类型的交互(行和7列,一个用于每个交互变量)。然后,根据前面的需求分析矩阵规范化。

(2)协方差矩阵计算。这一步寻找一组变量之间的关系。最后,我们选择最大的特征值对应的特征向量来获得线性主成分组合,如下:

(3)信任分数计算。的信任分数计算在两个步骤:(一)得到一个初始分数根据每个主成分的贡献(见(2))。(b)然后,我们这分数正常化1规模来缓解分数与推荐算法的集成,它将在稍后描述: 一旦定义了方法计算用户之间的信任分数从社交网络信息,我们验证第一组变量来考虑真实用户的感知信任推理中关于每个变量的作用(见附录一个)。

从结果中,我们观察到收件箱信息,评论,和贴贡献更多的信任推理从用户的角度来看。与这些结果作为起点,我们执行一个地面实况测试计算信任推理算法的准确性。前十个朋友每个参与者都是计算使用第一个版本,包括七个初始变量,然后第二个版本,更新变量根据用户的角度测试。然后,参与者被要求等级最高最信任的朋友至少可信计算(地面真理)。

最后,我们比较两个版本的算法结果和地面真实结果之间使用一个简单的减法的顺序算法和用户的订单。结果第二个版本的算法比第一个版本,所以我们进行了额外的测试来验证标签信息是否包含相关(表2)。

表2显示,虽然没有明显的影响,包括标签变量,稍微提高信任推理精度。因此,最后的信任推理公式定义如下:

4所示。以信任为基础的协同过滤

通常,推荐系统是用来精确地估计一个特定用户的程度会喜欢一个特定的项目。具体来说,协同过滤推荐算法,预测是依据评级或系统中其他用户的行为;之前,它发现用户的评级是类似于当前用户并使用这些评级预测当前用户会喜欢(43]。传统的协同过滤推荐系统使用的相似性度量找到用户的邻居,并且,基于社区的偏好,他们计算预测的项目。协同过滤算法是由以下聚合函数定义: 在哪里是用户的预测评级吗在项目,代表用户的平均评级,是邻居,是一个用户之间的相似性度量,经常使用皮尔逊相关系数的计算;使用其他替代的斯皮尔曼相关系数。在实践中,传统的协同推荐系统表现出弱点有关数据的稀疏性质(用户通常率只有一小部分可用的物品),冷启动问题(新用户没有被足够的物品与类似的用户),或者,更重要的是,哲学本身的算法来计算相似性与匿名用户。Swearingen和Sinha44Sinha和Swearingen [45)表明,人们倾向于更多的依赖比匿名用户建议从他们信任的人;因此它是一个强烈的动机将对传统的协同过滤技术的信任。在文献中,两种策略常用的包括信任推荐算法:基于信任的加权平均数,以信任为基础的协同过滤。

第一个重新定义计算的推荐策略以信任为基础的加权平均数;而不是计算的平均评级项目从评级,从所有系统用户熟悉是谁,它包括信任值,这反映了评级机构的信任程度。因此,高度信任用户评级将会有更多的重量: Golbeck [46叫TidalTrust)提出了一个算法,它遵循这一策略。根据Goldbeck的研究发现,这种策略并不一定传统协同过滤提供了一个明显的好处,但它改善建议用户不同意特定项的平均评级。

第二种方法引入了另一种重量计算(在(5)),它试图推断出权重在整个关系的目标用户信任网络(使用传播或聚合技术)。在(5),PCC权重被信任值取代: 马萨和Avesani47提出这一战略的一个示例。根据他们的发现,该策略提高了对有争议的用户行为,但它也为冷启动用户提高了预测精度。

虽然这两种方法显示改善争议项评级预测和冷启动建议他们更换相关组件,计算用户之间的相似度,基于信任和相似性的假设可能相关,根据分析维克多et al。48]。然而,我们认为它可能不是一个精确的假设只要用户之间的信任并不一定表示“相似的味道。”因此,我们建立了一个基于信任的适应协同过滤策略,取代了相似的相关组件(5与一个新的),包括加权相似度和信任的贡献: 在哪里,代表了两个用户之间的信任分数,计算整个过程所示部分3,反映了用户之间的相关性,计算技术的皮尔森相关系数或斯皮尔曼相关系数;从严格意义上讲,皮尔逊相关系数有要求相关数据的正态分布,因此可以使用非参数系数作为枪兵。事实上,Lathia et al。49)报道,例如,推荐系统的精度不受影响显著的相似性度量的选择,所以它不应该是一个关注的实践。

简而言之,我们计算用户之间的相关系数,然后邻居用户的信任分数(见图3)。另一种可能是使用一个基于信任的过滤技术的信任值作为一个过滤器,所以只有最值得信赖的邻居参与推荐过程中,所显示,马路和史密斯14]。然而,它需要一个高度连接集团《社交网络》中,以确保一个适当的用户数量在附近设置,所以这一战略会更加要求在实践中实现。

在实践中,和权重,使算法校准给更高的优先级信托或相似的贡献。我们使用这个功能对于不同的测试实验中使用不同的权重进行信任和相似性。

5。以信任为基础的推荐数字标识环境:一个实现方法

在商业广告发挥了重要作用,因为它是。最近,一个新的模式被称为无处不在的广告,它是指利用普适计算技术用于广告目的,出现了作为现代的前途打赌广告商和消费者。虽然最普遍的广告方法已经针对移动设备(智能手机、平板电脑),公共场所也非常有趣的行业,考虑到75%的购买决定都是在或接近购买地点(2]。这个领域,被称为数字标识,相关数字内容使用公共屏幕显示(3]。我们实现了一个数字标志原型作为研究案例来测试新的基于信任的推荐算法和相似度的贡献。这种情况意味着有趣的分析要求,当前研究的目的:第一,广告是个性化和适应环境;第二,广告是向一群人而不是个人;最后,推荐的精度是一个度量经常评估在RS的研究中,但新奇的程度也很重要在广告领域的一部分说服。因此,平衡精度和新颖性是一个理想的特性。

关于第一个要求,对所有的变量可能被视为“上下文”,可能为广告领域最相关的变量是社会环境。多年来,“口碑”一直是一个强大的技术用于营销目的,所以包含用户的社会背景信息的推荐算法(具体地说,对其他用户的信任)是一种机制获取广告的影响其他用户在最近的社交圈,而不是匿名用户,如传统的协同过滤。包含信任的信息可能改善与说服的广告推荐过程的目的,知道67%的购买决定是受到别人的意见接近。

关于第二个要求,一群人的推荐过程意味着一系列新的挑战,已在一些研究通过使用特殊的聚合技术在推荐过程中;具体来说,Masthoff[描述的技术28)被用作参考。然而,过程改进建议在这些情况下可能不仅RS算法本身的问题,但也是一个更好的显示策略问题。大多数公开展示互动活动不考虑多屏幕的方法,屏幕之间的内容是分布式互补的方式;屏幕内容复制使用。这个想法与第三个因素因为更好的显示策略也可以积极贡献新奇观念:根据定义,组织建议公共屏幕上显示个性化将低于建议显示在个人设备(如智能手机或平板电脑),所以他们可以为用户更新奇。这个假说是当前研究的一个重要贡献,它将在以下部分分析当前场景。

根据前面的描述,我们实现了一个新颖的电子替代传统的静态广告板,人们使用纸海报发布广告;这些板是经常发现在小商店或学术校园。提出实现替换旧与新的合作智能TV-smartphone模型,这两个设备的屏幕为用户提供广告在不同但互补的方法:广告建议组概要在公共电视屏幕,和广告对智能手机屏幕上个人资料的建议。此外,两个设备之间的交互功能改变传统的静态行为委员会;的基本架构原型如图4。

总之,Android应用程序开发谷歌智能手机和电视机顶盒。这些应用程序中间件API用于交互管理开发。用户在公众面前显示登录到系统使用“与Facebook登录”功能。中间件细节超出了本文的范围。请参阅[50为更多的细节。

简单地说,一些主要功能的实现原型如下:(我)广告推荐一组用户观看电视屏幕:四人组用户有限,基本上可用性的原因,考虑到屏幕大小(42英寸)。推荐计算的最佳广告列表人与公众互动屏幕使用聚合技术;这些广告是有组织的为每一个(见图六个广告5)。(2)智能手机屏幕上的广告建议根据个人喜好:推荐计算每个人的最佳广告列表显示在公众面前,它显示了广告在移动设备屏幕上(见图6)。它使用在前一节中描述的推荐算法。用户可以获得详细的信息为特定的广告和广告添加到他或她的最爱。(3)基本的移动设备之间的交互应用程序和公开展示:用户可以在广告公开展示用控制垫从移动应用程序(图7);使用点击手势,用户可以获得详细的信息对特定的广告在一个公开展示他或她的移动设备屏幕上,看着它。每个用户被一个特定的颜色。(iv)显式和隐式广告评级:用户可以公共屏幕上的广告或移动设备列表中使用“喜欢”和“不喜欢”选项在移动应用程序的用户界面。由于中间件功能,还可以生成隐式评分根据用户的行为(例如,请求更多信息广告,忽视广告屏幕,并将广告添加到收藏夹)。(v)向公众发布广告:用户发布广告屏幕,写广告信息从移动设备。用户可以使用智能手机的相机或相册上传产品图片(图7)。

6。实验结果

我们设计一个实验框架基于Herlocker等的工作。22在测试)来定义重要的考虑。具体来说,实验的目的是评估以下假设:(H1)包含多屏幕合作机制在推荐过程中提高了精度和新奇的平衡。(H2)包含信任信息的协同过滤算法在推荐过程中提高了精度和新奇的平衡。

6.1。域的考虑

根据前面的描述,我们测试我们的建议提案在无处不在的广告领域,特别是使用数字标识原型。考虑普遍的广告功能,一些关于域被认为是重要方面:RS的主要任务将是找到“一些好的项目”;并不是所有的好广告目的所需的物品。效用最大化的用户不仅良好的推荐精度有关,但也在某种程度上的新颖性。建议新奇可能更高的优先级在第一个广告目的。从这个意义上说,虽然假阳性率可能被认为是垃圾邮件广告,这些广告可能是小说,所以假阳性和新颖的广告之间的平衡是可取的。此外,假阴性率特别适用于广告商,只要他们想要他们考虑相关的商品成为推荐广告。最后,根据广告的分析领域引入本文中提供上下文信息在本例中是包含“信任”所代表的推荐算法,根据前面部分所描述的程序。

6.2。数据集的考虑

因为我们的推荐系统的建议是基于信任,我们需要两个数据集:一个与信任评级和另一个分数。的主要挑战之一是缺乏一个合适的评级的数据集对于广告领域,所以我们决定建立一个。我们建立了一个web应用程序,学生大学Cauca可以发布和广告;然后,一组用户参与互动会议使用先前描述的原型实现提高数据集信息。最早的交互是有用的测试广告的协同过滤和聚合技术领域。研究结果发表在[51,52]。最后,我们完成了一个数据集有127广告,176用户,和10.128等级测试。

数据集包括信任信息的主要挑战是找到一个均匀的一群人,每个成员都有至少一个连接Facebook与另一个组的成员。对于离线测试,我们决定来生成这些信息硬编码的方式基于评级数据集的用户,因为我们的主要兴趣是看到信任包容在推荐过程的影响;地面实况测试执行之前的信任推理算法本身,如部分所述3。最后,我们获得了一个数据集有30852信任连接,如图8。图表显示了用户之间的联系,所以每一对连接用户共享一个信任值在0和1之间。绿色连接代表更高价值的信任只要红色连接代表低信任值。关于用户图,给出了颜色和大小的节点度;绿色的有更高的学位,和红色的程度较低。

在线测试,任务是更具挑战性,因为人们之间的联系的要求,如前所述。几个志愿者团体测试能达到这一标准。最后,从Fundacion InnovaGen二十志愿者,在帕,满足这些需求,他们同意参加这个交互式会话期间的实验。我们使用了图形API浏览器从Facebook获得来自社交网络的信息与每个用户的授权。所有的数据都是匿名的,所以只用于所有用户id,只处理交互的数量没有干预消息内容。一旦交互信息是完整的,我们之间的信任分数计算用户使用部分中描述的过程3。

图9显示了图代表集团内的社区。根据图3的社区发现:绿色社区,这是最大的并且有较高的节点度,和黄色的和红色的,节点度较低。这些信息让我们设置组在互动体验与推荐系统原型的实现。由于绿色社区的高度,它的一些成员参加了不止一次在实验。

6.3。精度和新颖性指标

通常,精度一直是最受欢迎的推荐系统的评价指标,并定义为相关项目选定条目的数量的比率选择或选择项相关的概率: 然而,对于目前的研究的目的和根据广告领域考虑前面描述的,它是更有趣的评价推荐系统从精度/新颖的视角。虽然有几种方法测量建议新奇的文献,巴尔加斯和潮流5)提出了一个有趣的新颖性和多样性指标的定义框架,结合一些先进的指标。具体地说,该框架支持指标考虑的排名和相关性推荐的项目。

这些属性为当前的研究很重要,因为我们的建议为特定领域的互动性质(无处不在的广告),排名,和相关性考虑用户如何与建议(高级项目获得更多的关注在每个屏幕列表)和用户主观(相关项目可能为用户)。

根据作者,新奇的信息一般指”是多么的不同对以前见过”的用户。尽管如此,在广告领域,广告将测量的有效性不仅是“他们是如何的不同从以前的广告”,但也“有关如何为用户,他们可能是“所以新颖性指标应包括在推荐过程中这些属性的影响。

简而言之,该框架是基于三个基本用户和项目(图之间的关系10):(i)发现,也就是说,一个项目被用户(或熟悉);(2)选择使用,也就是说,一个项目,选择,选择,或被一个用户;和(3)相关性喜欢的,也就是一个项目,有用,或者由用户喜欢。为了简化模型,作者假设相关的物品总是选择如果他们看到的,永远不会选择无关的物品,物品独立发现的相关性。

的概率分布,这些关系表示为 给定一个排名列表的物品推荐给用户可以表示为,新奇 在哪里是一个常数和正常化是一个通用的上下文变量考虑不同的观点的新颖性的定义。反映了基于项目选择和浏览模式一项新奇的模型。当前研究的目的,我们使用一个基于流行度项新奇,新奇的高值对应于长尾项很少有用户与之交互和低新奇值对应于流行的物品,包括排名和相关因素。根据域的特性,这种方法不仅对用户是有意义的,但是也为广告主:通常,广告商想要推广新产品,他们可能会开始长尾商品推荐系统。因此,指标的推荐系统表现为广告商在这些情况下可能是有用的。预计这种行为改善的包含多屏幕的方法根据我们的假设。

总之,我们描述方程为新奇的定义根据项目基于流行度度量模型: 在这种情况下,新奇的度量可以被解读为预期数量的以前没有见过见过相关的推荐项目。方程包括排名组件根据项目定义对数减少职位列表中: 它还包括一个相关组件可以建模为一个启发式评级之间的映射值和概率的相关性,根据以下函数: 是一个效用函数来自评级,在哪里代表冷漠评级价值根据Breese et al。53]。

6.4。离线测试

首先,我们测试了基于信任的推荐系统使用的数据集从头构建,包括评级和信任分数,如部分所述6。2。相关的测试假说(H2)和关注的是计算精度和新奇。

观察信任的影响精度和新奇的建议,我们进行了一些测试不同值的信任和相似成分的贡献(9)。测试范围从传统的协同过滤(,)到纯粹的以信任为基础的协同过滤(,)。表3总结了相似的测试值和信任的重量。

图11显示了不同的测试精度的结果。有趣的是观察的表现不佳,当一个纯粹的以信任为基础的协同过滤推荐算法发生;其他研究人员的这一发现与先前的发现是一致的(11,54]。因此,相似组件应该被包括在推荐算法来提高精度的结果当信任分数影响推荐过程。

虽然信任组件似乎没有一个有意义的影响推荐算法的精度比传统的协同过滤方法,值得研究算法的行为从新颖的角度。在这种情况下,我们选择了50个随机用户的数据集,我们计算了新奇的价值,包括排名和相关因素,如部分所述6。3。根据前面的研究结果,我们为一个经典的协同过滤推荐系统进行了两次测试(测试11;,),建立了一个基于信任的推荐系统(测试6;,)。表4总结了结果。

均值表明执行的基于信任的推荐系统比传统的协同过滤从新颖的角度。我们进行了一项以及确定这种差异是否显著;之前,考虑到样本大小我们跑一个Kolmogorov-Smirnov测试检查获得数据的正态分布值为0.19的数据与经典的算法和相关值为0.09的数据与算法相关的包括信任,所以遵循正态分布在这两种情况下的数据。的以及发表了值< 0.001,支持假说(H2)。这一发现表明,信任包容的推荐算法提高了精度和新奇的平衡。然而,重要的是要对比这些结果与实际用户的感知。这一过程将在下一节中描述。

6.5。在线测试

与真实用户测试使用的基础设施部分中描述的原型5无处不在的广告领域,特别是在数字标牌的环境。这组测试的目的与假设(H1)和(H2)。节中描述6。2,的一个主要挑战是找到一个同类的群体有足够的连接,使正确的信任推理的社交网络。20个志愿者从Fundacion InnovaGen组满足这些需求执行测试在两个会议:在第一个,推荐系统使用传统的协同过滤方法(,)提供个人建议个人设备(智能手机),只要在第二个会话中,推荐系统包括一个信任和相似组件以同样的重量(,)。

共8组3人参加实验根据配置信息社会关系图。其中一些重复了这个实验,因为他们与其他成员的关系。关于组织推荐显示在智能电视上,我们交替两个团体之间的聚合技术测试每一个的效果;先前的实验显示出更好的性能,选择技术(51]。我们使用最痛苦聚合技术奇数组(1、3、5、7);这种技术使与最低个人评级,评级的列表和项目建议基于列表的评级。更高的排名表明更少痛苦,所以集团一样快乐最快乐的成员。我们使用最快乐甚至技术组(2、4、6和8);在这种情况下,一个评级列表是由个人的最高评级。项目推荐是基于列表的评级,排名越高表明更多的乐趣。表5总结了测试算法为每个参与者组变异。

在每个会话中,用户和系统的交互五到十分钟。作为互动的一部分,用户执行一些操作,比如浏览广告(在智能电视和智能手机屏幕上),评级广告(在智能电视和智能手机屏幕上),和详细描述一组广告显示在智能电视在智能手机屏幕或收藏夹列表添加一个广告。明确的广告费的任务中,我们使用一个二进制规模(像不像),因为它更有意义比经典的1到5用户上下文的星星。这种交互引入了一个新颖的机制来捕获隐式评分系统在用户操作之间的映射和一个典型的规模从1到5,期间使用实验(表6)。

每个会话结束时,我们也抓住了用户的感知通过一个简短的调查在每个用户的智能手机来完成我们的分析从定性的角度来看(见附录B)。

在实验中,我们使用智能TV-smartphone中间件功能捕捉日志以JSON格式的活动整个会话,然后,我们处理数据。接下来,我们将介绍最重要的实验的结果。

6.5.1。信任影响精度的建议

图12显示精度值之间的差距在每组的实验课程。结果是一致的离线实验过程中观察到的趋势。这种差异总是正的;也就是说,高体重相似组件(α)将增加精度值。观察到的变化精度值在0.03和0.09之间(值< 0.001)。结果显示,一个积极的影响在新奇的预计,它将在下一节进行分析。

6.5.2。信任影响推荐新奇

表7显示了一个统计描述性分析的影响信任推荐算法中引入新奇。新奇的度量包括排名和相关组件,它为每个会话进行比较计算。

结果显示,新奇是积极影响当信任组件包含在推荐算法,这是一致的与离线测试期间观察到的结果。因此,我们有充分的证据来支持假说(H2)。

6.5.3。多屏幕对新奇的建议

表8显示了一个统计描述性分析多屏幕的效果方法的新颖性。在这种情况下,我们计算的新奇值组建议在智能电视和智能手机推出的个性化推荐信任组件(,)。新奇的度量包括排名和相关组件。

根据研究结果,建议的新颖性价值更大的智能电视组概要。因此,我们有充分的证据来支持假说(H1)。然而,我们进行了深入的分析考虑到信任包容和真实用户的感知。图13显示了结果的情况下,集体新奇高于个人新颖性包括和不包括信任组件的不同变体新奇度规。与以前的结果的趋势是一致的,因为新奇集团建议高于新奇的个性化推荐在超过50%的情况下,有或没有的包容信任组件。然而,有一个有趣的发现:当信任组件包括数量的情况下,该组织建议新奇是更高的减少。这种行为的一个合适的理由可能在用户分析新奇感知结果如图14。根据调查结果,有趣的是观察信任组件包含在推荐算法提高了个性化推荐的新奇感觉在智能手机。它解释了之前的行为,与部分中描述的结果是一致的6.5.2。总之,虽然信任组件都有一个积极的影响的新奇值个性化推荐,多屏幕的方法有利于新奇感觉关于组织推荐。这些证据也支持假说(H1)和(H2)。

6.5.4。聚合技术影响推荐新奇

最初,我们认为用户感知的调查结果比较,定量分析在互动。图15显示了用户的感知新奇趋势使用特定聚合技术在两个会议。发现的结果是一致的在前一节中描述的多屏幕效果建议这两种技术的新颖性。然而,议员技术似乎表现出比LM技术更好的行为,特别是在第二次会议(信任50%),而是因为我们发现的统计证据是不够的(),我们更进一步的定量分析。

表9显示了一个统计描述性分析的影响聚合技术变化对集团推荐新奇。新奇度量包括排名和相关组件,它是计算最痛苦和最快乐的会话技巧。

根据结果,有证据表明,聚合技术的新颖性价值影响小组的建议,最快乐的轻微的积极影响的技术。

图16显示的趋势中,比较两种聚合技术考虑的情况下,集团推荐新奇价值克服了个性化推荐新奇。正如所料,MP技术展览行为比LM包括新颖性指标排名和相关因素,但效果不明显时,信任组件启用推荐算法,因为新奇价值增加的个性化推荐,根据分析部分6.5.2。

7所示。结论

在这项工作中,我们开发了一个提议的协同过滤推荐系统基于信任。信任组件是包含在推荐算法在两个阶段:(i)算法计算信任分数从社会网络交互信息(Facebook是用于此目的);具体来说,我们从最先进的四个变量,定义地面实况测试算法:收件箱信息,标记用户,评论,和贴。(2)然后,推荐算法计算的建议基于用户之间的相似性和信任组件。算法设计修改相似性和信任贡献,缓解了校准算法的特定的实际需求。

我们研究了算法行为普遍的广告领域,特别是在数字标牌原型。这一领域的研究让我们考虑推荐系统不仅从算法的角度本身也从显示策略的建议。多屏幕广告原型设计并实现评估拟议的推荐框架使用自定义数据集和真实用户的感知。传统上,推荐系统评估从精度的角度来看,但建议新奇相关方面,专门为广告领域。我们使用模型提出了(5)定义一个新奇度量基于一项受欢迎的方法,考虑在推荐过程中排名和相关因素;确实有意义,因为新奇而非推荐未知项有关推荐小说和潜在有用的物品。

我们评估框架从精度/新奇的视角与有趣的发现:我们发现在离线和在线测试的信任组件介绍改进建议的新奇。然而,一个纯粹的以信任为基础的算法精度产生不利影响,所以建议做相似的组合和信任组件保持更好的精度和新奇的平衡。我们还发现多屏幕的方法使用聚合技术生成组建议改善整个系统的精度和新奇的平衡;我们获得更高的新颖性价值为智能电视的建议在50%以上的情况下在网上实验。此外,我们发现,这种趋势仍然坚定不移的信任组件时引入;尽管如此,智能电视的情况下建议的数量的新颖性价值更高的下降是因为用户感知的增加智能手机的新奇的建议,由于信任推荐算法组件的影响。

最后,我们证明了聚合技术影响集团推荐的新奇;在这种情况下,最快乐的技术表现出行为比最痛苦的技术,但是效果不太明显,当信任组件介绍了由于新奇提高个性化推荐显示在智能手机。

8。未来的工作

接下来,我们将讨论限制在研究过程中发现未来工作可以作为一个起点。首先,离线测试的限制缺乏适合广告领域的数据集还Facebook数据集与正确的信息来推断信任根据我们的算法功能。我们的广告信息构建的数据集可以使用作为起点来收集更多的信息和测试目的为构建一个健壮的数据集。它可以补充与Facebook数据集信息,使信任分数计算。我们曾经信任分数在离线的仿真测试。

在实践中,我们的算法的操作需要考虑重要的考虑:首先,信任推理取决于足够的交互信息的可用性。就目前而言,这意味着有一个同质组参与者之间有足够的社会活动,这可能是一个挑战在数字标牌的环境中人们可能会加入一个组以特别的方式。在线实验中,我们进行了一项研究目标群体成员之间的社会活动得到准确的结果,但它是一个功能在实践中提高。此外,频繁修改Facebook API强加一些限制来实现信任推理算法的实时社交网络信息。我们的方法是为已知的precalculate信任分数组并将它们存储在数据库中,以避免一个永久连接到Facebook,但再一次,可能是有问题的特别的数字标识环境。

最后,我们限制数量的参与者四人在多屏幕推荐系统的实验方法,因为可用性问题。参与者的数量取决于几个因素,如主屏幕大小,硬件功能来支持中间件交互信息流,和推荐系统操作本身。虽然我们得出一些结论作为起点在我们以前的工作(50),应该仔细分析这些方面在实际系统的实现。

附录

答:用户感知信任推理变量

我们进行了一项调查的57个匿名志愿者SmartSoft玩公司(我们使用内部网web页面和他们都是熟悉的技术),我们要求他们选择变量更好代表信任另一个人在Facebook上。我们简化了5变量子集。(所有标记变量代表简单标签。)结果在图进行了总结17总共145张选票的5个变量。

b .用户对推荐系统感知调查精度和新奇

以下部分所示。

用户感知的调查

会话#(1)什么屏幕给你推荐更接近你的个人喜好吗?(我)智能电视(2)智能手机(2)什么屏幕给你更新奇的建议(可能的未知但有趣的你)?(我)智能电视(2)智能手机。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作得到了大学Cauca通过项目VRI 3593”斯瓦米:莫德罗帕拉de publicidad en el despliegue entornos de computacion ubicua soportado en联合国esquema de cooperacion智能TV-Smartphone。“Juan Camilo Ospina是由集群CreaTIC和Colciencias年轻研究人员计划通过项目“ScoRPICUS: Sistema de recomendaciones对位entornos de publicidad ubicua apoyado en与上下文y红色的优势种。“弗朗西斯科马丁内斯是由Colciencias博士奖学金。567年。这部分工作是由马德里卡洛斯三世大学的西班牙,在旧金山马丁内斯和Juan Camilo Ospina访问学者在2014年和2015年,分别。特别感谢将Fundacion InnovaGen Cauca SmartSoft玩,大学的志愿者在实验期间的宝贵支持。