【笔记】《Putting Users in Control of their Recommendations》

对用户参与控制的推荐系统的研究

用户喜欢自己控制推荐系统吗？
交给用户控制推荐，用户的推荐结果和之前的推荐结果有何不同？
用户的调整是否收敛到一个“最好的优化”？

作者在一个影视评分网站上进行了两步实验

第一步，在推荐算法的基础上构造了一个混合模型

r(u,i)是推荐算法的评分
f_i 是电影的某个特征的得分
w_i是权值

对于本次实验

其中pred(u,i)是推荐算法得到的分数
pop 是电影的流行程度
age 是50-（电影至今多少年），因此age越大，电影越新
w的值在[0-1]之间，w_1和w_2其中一个为0

用两个离线模拟，分别测量pop和age的影响
用一个tuple表示分数的权重和 pop或age之间的权重，(1.00, 0.00), (0.95, 0.05), …, (0.00, 1.00)
通过训练，对每个用户和每个tuple 生成top-20推荐列表

因为每个用户都有自己的评分，关注列表，想看列表和隐藏列表
通过统计，计算出一些指标如图

第二步，让用户在线解释为什么会有这些不同

用户被随机分配到调整pop或age
用户通过点击left和right来调整权重，并且left和right的效果是随机分配的
比如有的用户left是调小参数，right是调大参数，有的用户则相反。
根据权重不同，为用户展现不同的列表，选好后点击 I’m done! 按钮

最后，让用户选择调整的原因

1. Do users like having control over their recommendations?
   用户认为调整过得列表更适合他们，能够帮助找到想看的电影。

2. Given control, how different are users’ tuned recommendations from their original recommendations?
   不同的用户调整的方式各有不同。

3. Do users converge to a common “best tuning” setting?
   没有最好的调整值，用户会根据自己的个人喜好设置。

实验的一些限制

• 实验采用协同过滤算法做推荐，不一定是最好的算法
• 实验只研究两个属性pop和age，实验结果不能推广到更多的领域
• 参与实验的用户比较积极，其他情况下用户可能不会那么积极的调整
• 实验界面做的比较差

结论

实验构造了一个用户可以参与调节的推荐系统。
用户对推荐结果的评价更高了。他们对推荐做了个性化的设置后，找到想看的电影。
没有适合所有用户的全局最优设置

这些结果强调了用户参与控制的重要性
基于这项研究，作者认为基于全局最优设置的推荐结果不符合很多用户的喜好
传统的推荐系统对用户来说是一个黑盒，用户没有办法参与到推荐中
基于这项研究，作者希望能够让用户参与控制，这样用户会更高兴