[论文解读] Capturing Knowledge of User Preferences: ontologies on recommender systems

Stuart E. Middleton, David De Roure+1 more|ArXiv.org|Mar 8, 2002

Recommender Systems and Techniques参考文献 19被引用 14

一句话总结

本文提出了一种推荐系统 Quickstep，通过非侵入式地监控浏览行为来捕捉用户偏好，并利用本体表示与监督式机器学习来建模用户兴趣。实验表明，在真实环境中，使用分层主题本体相比平面列表能显著提升推荐效果。

ABSTRACT

Tools for filtering the World Wide Web exist, but they are hampered by the difficulty of capturing user preferences in such a dynamic environment. We explore the acquisition of user profiles by unobtrusive monitoring of browsing behaviour and application of supervised machine-learning techniques coupled with an ontological representation to extract user preferences. A multi-class approach to paper classification is used, allowing the paper topic taxonomy to be utilised during profile construction. The Quickstep recommender system is presented and two empirical studies evaluate it in a real work setting, measuring the effectiveness of using a hierarchical topic ontology compared with an extendable flat list.

研究动机与目标

• 解决在网页环境中捕捉动态用户偏好的挑战。
• 开发一种无需显式输入的可扩展用户档案构建方法。
• 评估分层本体与平面列表对推荐准确率的影响。
• 将监督式机器学习与本体结构结合，以提升偏好建模效果。
• 通过实证研究在真实工作环境中验证该方法的有效性。

提出的方法

• 通过非侵入式监控用户浏览行为来推断偏好。
• 应用监督式机器学习技术，根据主题对内容进行分类。
• 采用多类别文献分类方法，以分层主题分类法作为本体。
• 本体结构支持语义分组与用户档案的细化。
• 利用从浏览数据中学习到的主题分配，逐步构建用户档案。
• Quickstep 系统将基于本体的分类与档案学习相结合，实现推荐功能。

实验结果

研究问题

• RQ1 通过被动监控网页浏览行为，用户偏好能多大程度被有效捕捉？
• RQ2 与平面列表相比，分层主题本体在多大程度上提升了推荐准确率？
• RQ3 监督式机器学习与本体结合，能否在动态环境中增强用户档案的构建？
• RQ4 Quickstep 系统在真实工作环境中的表现如何？
• RQ5 本体结构对用户偏好建模的相对影响是什么？

主要发现

• 与可扩展的平面列表相比，分层主题本体显著提升了推荐效果。
• 在真实工作环境中的实证研究证实，基于本体的建模显著提高了用户档案的准确性。
• 对浏览行为的非侵入式监控，实现了对用户兴趣的可靠推断。
• 多类别分类方法有效利用了主题分类法，以支持档案构建。
• 将本体与机器学习结合，使用户偏好模型更加一致且准确。
• Quickstep 在真实部署中展现出实际可行性与性能提升。