[论文解读] Recommender Systems for Configuration Knowledge Engineering

Alexander Felfernig, Stefan Reiterer+4 more|arXiv (Cornell University)|Feb 16, 2021

Product Development and Customization参考文献 17被引用 19

一句话总结

本文提出将推荐系统整合到配置知识工程中，以缓解知识工程瓶颈，通过支持知识库的开发与维护。该研究引入了基于协同过滤、基于内容的聚类以及基于知识的推荐，分别用于约束、变量和重构操作，实证结果表明，基于蕴含关系的表示形式（如 X→Y）相比其他逻辑形式显著提升了理解程度并减少了错误。

ABSTRACT

The knowledge engineering bottleneck is still a major challenge in configurator projects. In this paper we show how recommender systems can support knowledge base development and maintenance processes. We discuss a couple of scenarios for the application of recommender systems in knowledge engineering and report the results of empirical studies which show the importance of user-centered configuration knowledge organization.

研究动机与目标

• 通过提升知识库开发与维护的效率，解决配置器项目中长期存在的知识工程瓶颈问题。
• 支持知识工程师和领域专家在复杂配置知识库中导航、理解与调试。
• 探究推荐系统如何基于用户行为与知识结构，主动建议相关的配置元素（如约束、变量、重构操作）。
• 评估不同逻辑表示形式（如蕴含与析取）对用户理解力与错误率的影响。
• 通过基于认知过程与可用性研究的实证方法，推动经验知识工程领域的发展。

提出的方法

• 应用协同过滤技术，基于相似知识工程师的导航模式推荐约束，利用用户访问序列识别最近邻，并预测下一步最可能的操作。
• 采用基于内容的聚类方法对约束进行聚类，利用特征描述符（如关键词、逻辑结构）生成的相似性度量，将语义或结构上相似的约束归为一类。
• 开发基于知识的推荐系统，通过分析约束模式并应用领域特定规则或转换启发式方法，建议重构操作。
• 设计受控的实证研究，使用计算机科学学生作为被试，评估不同约束表示形式在约束满足问题中的可用性与认知负荷。
• 采用被试内设计，比较五种不同逻辑形式的“需要”与“不相容”约束表示在错误率与解识别表现上的差异。
• 集成自适应用户界面技术，根据用户当前任务、知识水平与交互历史，动态调整推荐内容。

实验结果

研究问题

• RQ1 基于用户导航行为的协同过滤推荐系统在推荐相关配置约束方面的有效性如何？
• RQ2 基于内容的约束聚类在组织与提升大规模配置知识库可导航性方面的作用有多大？
• RQ3 哪种“需要”与“不相容”约束的逻辑表示形式（如 X→Y、¬X∨Y、¬(X∧¬Y)）在配置任务中能实现最高理解度与最低错误率？
• RQ4 不同约束表示形式如何影响约束满足问题中解识别的时间与准确性？
• RQ5 基于知识的重构操作推荐能否降低维护成本并提升配置系统中知识库的质量？

主要发现

• 蕴含关系表示形式 X→Y 在识别“需要”约束的解时错误率最低（21.43%），优于其他形式如 ¬X∨Y（50.0%）与 ¬Y→¬X（96.43%）。
• 反向蕴含 Y→¬X 表现中等（50.0% 错误率），但标准蕴含 X→Y 因理解度更高且认知负荷更低而被评价为更优。
• 基于内容的约束聚类能有效将语义相似的约束归为一类，提升知识库的可导航性并减少搜索时间。
• 基于导航序列的协同过滤推荐能成功预测用户下一步最可能检查的约束，且最近邻之间具有一致性。
• 在同一知识库中使用多种约束表示形式导致显著混淆，当采用如 ¬(X∧¬Y) 这类复杂逻辑形式时，错误率最高上升达 73.08%。
• 实证结果证实，基本蕴含表示形式（→）比析取或否定形式更具直观性且更不易出错，支持其在知识工程工具中的采用。