COCoFil2: A new collaborative filtering system based on the community space model
COCoFil2 : Un nouveau système de filtrage collaboratif basé sur le modèle des espaces de communautés
Résumé
Collaborative filtering traditionally exploits of user ratings on items, in order to connect people who share the same tastes and allow them to receive interesting recommendations from their peers. From our point of view, community management is an important issue because of the influence of community quality on recommendation performance. In this thesis, we have defined a model for multiple “community spaces”, and we have developed and evaluated it along the following lines.
Firstly, we have studied the nature of communities in the system, exploring what information can be exploited to build communities. In practice, users often receive interesting recommendations from friends, but also colleagues, neighbors, etc. Therefore, we have proposed to base the building of communities on multiple criteria in order to enrich the recommendations produced by the system.
Secondly, we have focused on the possibility for users to actually perceive communities as computed by the system: this possibility improves user acceptance of recommendations arising from these communities and is an incentive for users to contribute their own ratings into the system. We have proposed a process that produces 2D maps to allow users visualizing multi-criteria communities.
Finally, multi-criteria communities lead to two types of difficulties: first, on the user side, providing the information needed to be positioned in all of the community spaces, may require too much effort from users; second, on the system side, the computation complexity of some community spaces may lead to computation-intensive processes. Our community space model answers these problems by integrating tools to elaborate and apply appropriate strategies in the computation of communities as well as for automatic user positioning in multi-criteria communities. With the latter, we have shown that the recommendations produced in “cold-start” situations encountered by new users, are improved with the use of community spaces and appropriate automatic positioning strategies.
Firstly, we have studied the nature of communities in the system, exploring what information can be exploited to build communities. In practice, users often receive interesting recommendations from friends, but also colleagues, neighbors, etc. Therefore, we have proposed to base the building of communities on multiple criteria in order to enrich the recommendations produced by the system.
Secondly, we have focused on the possibility for users to actually perceive communities as computed by the system: this possibility improves user acceptance of recommendations arising from these communities and is an incentive for users to contribute their own ratings into the system. We have proposed a process that produces 2D maps to allow users visualizing multi-criteria communities.
Finally, multi-criteria communities lead to two types of difficulties: first, on the user side, providing the information needed to be positioned in all of the community spaces, may require too much effort from users; second, on the system side, the computation complexity of some community spaces may lead to computation-intensive processes. Our community space model answers these problems by integrating tools to elaborate and apply appropriate strategies in the computation of communities as well as for automatic user positioning in multi-criteria communities. With the latter, we have shown that the recommendations produced in “cold-start” situations encountered by new users, are improved with the use of community spaces and appropriate automatic positioning strategies.
Face au problème de la surcharge d'information, le filtrage collaboratif a pour principe d'exploiter les évaluations que des utilisateurs ont faites de certains documents, afin de recommander ces mêmes documents à d'autres utilisateurs proches de lui, et sans qu'il soit nécessaire d'analyser le contenu des documents. C'est ainsi qu'émerge la notion de communauté, définie comme un groupe de personnes qui partagent en général les mêmes centres d'intérêt. De notre point de vue, la problématique du filtrage collaboratif consiste à gérer de façon intelligente des communautés puisque, selon son principe de base, la qualité des recommandations dépend fondamentalement de la qualité des communautés formées par le système.
Le premier aspect de la gestion des communautés à étudier est la capacité des utilisateurs à percevoir des communautés. D'une part, la perception des communautés permet d'améliorer la confiance des utilisateurs dans les recommandations générées à partir de ces communautés, et par conséquent de les motiver à fournir des évaluations sur lesquelles appuyer la formation des communautés pour le filtrage collaboratif. D'autre part, cette capacité autorise les utilisateurs à explorer d'autres communautés potentiellement intéressantes.
Le second aspect à prendre en compte est les informations sur lesquelles appuyer la formation des communautés. On voit dans la réalité qu'une personne reçoit souvent toutes sortes de recommandations intéressantes de ses proches, de ses collègues de travail, etc. Nous émettons donc l'hypothèse que la multiplicité des critères pour former des communautés, incluant profession, centres d'intérêt, historique des évaluations, etc., peut être exploitée pour enrichir les recommandations générées pour un utilisateur.
Enfin, les communautés d'un utilisateur évoluent au cours du temps. En raison de la multiplicité des critères, la qualité du positionnement des utilisateurs au sein des communautés est conditionnée par la qualité des valeurs données pour chaque utilisateur à chaque critère. Certains critères demandent beaucoup d'efforts de la part des utilisateurs, et peuvent être coûteux également pour le système, d'où des difficultés à positionner les utilisateurs dans des communautés.
Ainsi, pour la gestion des communautés dans un système de filtrage collaboratif, nous proposons le modèle des espaces de communautés qui présente les caractéristiques suivantes : gestion des communautés explicites, formation multiple des communautés selon divers critères et stratégie de positionnement des utilisateurs au sein des communautés.
L'intégration de notre modèle des espaces de communautés dans un système de filtrage collaboratif permet donc d'améliorer l'exploitation des communautés formées à partir des critères disponibles dans les profils des utilisateurs. Nous présentons la plateforme du filtrage collaboratif COCoFil2 comme la mise en œuvre du modèle proposé ainsi que nos travaux de validation sur un jeu de données réelles.
Le premier aspect de la gestion des communautés à étudier est la capacité des utilisateurs à percevoir des communautés. D'une part, la perception des communautés permet d'améliorer la confiance des utilisateurs dans les recommandations générées à partir de ces communautés, et par conséquent de les motiver à fournir des évaluations sur lesquelles appuyer la formation des communautés pour le filtrage collaboratif. D'autre part, cette capacité autorise les utilisateurs à explorer d'autres communautés potentiellement intéressantes.
Le second aspect à prendre en compte est les informations sur lesquelles appuyer la formation des communautés. On voit dans la réalité qu'une personne reçoit souvent toutes sortes de recommandations intéressantes de ses proches, de ses collègues de travail, etc. Nous émettons donc l'hypothèse que la multiplicité des critères pour former des communautés, incluant profession, centres d'intérêt, historique des évaluations, etc., peut être exploitée pour enrichir les recommandations générées pour un utilisateur.
Enfin, les communautés d'un utilisateur évoluent au cours du temps. En raison de la multiplicité des critères, la qualité du positionnement des utilisateurs au sein des communautés est conditionnée par la qualité des valeurs données pour chaque utilisateur à chaque critère. Certains critères demandent beaucoup d'efforts de la part des utilisateurs, et peuvent être coûteux également pour le système, d'où des difficultés à positionner les utilisateurs dans des communautés.
Ainsi, pour la gestion des communautés dans un système de filtrage collaboratif, nous proposons le modèle des espaces de communautés qui présente les caractéristiques suivantes : gestion des communautés explicites, formation multiple des communautés selon divers critères et stratégie de positionnement des utilisateurs au sein des communautés.
L'intégration de notre modèle des espaces de communautés dans un système de filtrage collaboratif permet donc d'améliorer l'exploitation des communautés formées à partir des critères disponibles dans les profils des utilisateurs. Nous présentons la plateforme du filtrage collaboratif COCoFil2 comme la mise en œuvre du modèle proposé ainsi que nos travaux de validation sur un jeu de données réelles.
Loading...