Группа исследователей из Университета Миннесоты (США) и Технического университета Эйндховена (Нидерланды) представила результаты работы, посвященной анализу представления рекомендаций — стратегиям их показа пользователям. Это — сравнительно неизученное направление в теории рекомендательных систем.
В случае, если в системе используется ровно один рекомендательный алгоритм, классическим подходом является показ самых релевантных, согласно этому алгоритму, элементов («top-N approach»). При этом процесс построения списка рекомендаций не учитывает действия пользователя, который может видеть одни и те же материалы несколько раз. Авторы вводят в рассмотрение так называемое «циклирование» («cycling») и «переплетение» («serpentining»). Первый метод «понижает» релевантность показанных несколько раз материалов и «поднимает» наверх элементы, получившие меньшую оценку релевантности, делая их таким образом видимыми. Второй способ демонстрирует стратегию, названную авторами работы «зиг-заг»: лучшие рекомендации не показываются все сразу, а распределяются на несколько «порций», появляясь таким образом на каждой странице, в то время как пользователь продолжает браузинг. Авторы отмечают интра-сессионные и интер-сессионные стратегии: первые происходят в рамках одного пользовательского визита на ресурс, вторые — распространяются на несколько. Эти разновидности поведения, по замечанию авторов работы, влекут существенные различия в выборе рекомендаций.
В результате экспериментов были отмечены интересные тенденции. Интрасессионное циклирование вызывает для рекомендаций больший процент отказов, но также и существенно большую вовлеченность для остальных переходов: авторы называют эту характеристику «love it or hate it». В то же время, интерсессионное циклирование и переплетение повышают вовлеченность без значимого повышения процента отказов. Комбинирование методов не дает ощутимых результатов.
Авторы отмечают: при разработке современных рекомендательных систем недостаточно делать упор лишь на одних алгоритмах. Неотъемлемой частью эффективной стратегии являются и другие методы повышения качества рекомендаций, одним из которых является их представление и реакция на взаимодействие с пользователем.
Литература
Zhao Q. et al. Toward Better Interactions in Recommender Systems: Cycling and Serpentining Approaches for Top-N Item Lists. — 2017.