The great growth and development of e-commerce and social networks has made recommender systems (RS) a type of tools widely used nowadays to filter the huge amounts of data that are shown to the user while browsing Network. The purpose of a recommender system is to provide suggestions in terms of products that may be of interest to you and have not seen yet. Real examples of this are online platforms such as Amazon.com and Netflix: the former provides suggestions on what to buy based on what users have bought in the past or based on common interests with others; the latter instead provides suggestions about new movies or TV series to watch, based on what the user has seen in the past and liked, or on common tastes with other people. Among all the important aspects of a recommender system in this report we will focus on the explanation of the data to the user, which among the various goals has to increase the transparency of the system, the trust that the user places in it, its efficiency and its effectiveness. The report illustrates different explanation models, showing the various characteristics of each and evaluating what their respective benefits are. The final goal of this test, which is built focusing on user data explanation models, is to understand the evaluation value of each individual model compared to the others, in order to understand which the best is, based on various factors, for various types of users.
La grande crescita e il grande sviluppo degli e-commerce e dei social network ha reso i recommender systems (RS) una tipologia di strumenti molto utilizzata al giorno d’oggi per filtrare le grandissime quantità di dati che vengono mostrate all'utente durante la navigazione in rete. Lo scopo di un recommender system è quello di fornire dei suggerimenti in termini di prodotti che potrebbero interessare e che non sono stati ancora visti. Degli esempi reali di ciò sono le piattaforme online come Amazon.com e Netflix: la prima fornisce all'utente dei suggerimenti su cosa comprare di nuovo in base a ciò che ha acquistato in passato o in base a interessi comuni con altre o altri utenti; la seconda invece fornisce dei suggerimenti in merito a nuovi film o serie TV da guardare, basandosi su ciò che l'utente ha visto in passato ed è piaciuto, o su gusti comuni con altre persone. Tra tutti gli aspetti importanti di un recommender system in questa relazione ci concentreremo sulla spiegazione dei dati all'utente, la quale tra i vari obiettivi ha quello di aumentare la trasparenza del sistema, la fiducia che l'utente ripone in esso, la sua efficienza e la sua efficacia. La relazione illustra diversi modelli di spiegazione ideati e implementati, mostrando le varie caratteristiche di ognuno ed andandone a valutare quali sono i rispettivi vantaggi. L'obiettivo finale di questo test, costruito concentrandosi sui modelli di spiegazione dei dati all'utente, è quello di comprendere la bontà di valutazione di ogni singolo modello rispetto agli altri, al fine di capire quale sia il migliore, sulla base di vari fattori, per i vari tipi di utente.
Giustificazione dei suggerimenti di un Recommender System attraverso spiegazioni visuali
SCARPINATI, LIVIO
2020/2021
Abstract
La grande crescita e il grande sviluppo degli e-commerce e dei social network ha reso i recommender systems (RS) una tipologia di strumenti molto utilizzata al giorno d’oggi per filtrare le grandissime quantità di dati che vengono mostrate all'utente durante la navigazione in rete. Lo scopo di un recommender system è quello di fornire dei suggerimenti in termini di prodotti che potrebbero interessare e che non sono stati ancora visti. Degli esempi reali di ciò sono le piattaforme online come Amazon.com e Netflix: la prima fornisce all'utente dei suggerimenti su cosa comprare di nuovo in base a ciò che ha acquistato in passato o in base a interessi comuni con altre o altri utenti; la seconda invece fornisce dei suggerimenti in merito a nuovi film o serie TV da guardare, basandosi su ciò che l'utente ha visto in passato ed è piaciuto, o su gusti comuni con altre persone. Tra tutti gli aspetti importanti di un recommender system in questa relazione ci concentreremo sulla spiegazione dei dati all'utente, la quale tra i vari obiettivi ha quello di aumentare la trasparenza del sistema, la fiducia che l'utente ripone in esso, la sua efficienza e la sua efficacia. La relazione illustra diversi modelli di spiegazione ideati e implementati, mostrando le varie caratteristiche di ognuno ed andandone a valutare quali sono i rispettivi vantaggi. L'obiettivo finale di questo test, costruito concentrandosi sui modelli di spiegazione dei dati all'utente, è quello di comprendere la bontà di valutazione di ogni singolo modello rispetto agli altri, al fine di capire quale sia il migliore, sulla base di vari fattori, per i vari tipi di utente.| File | Dimensione | Formato | |
|---|---|---|---|
|
885745_tesitriennalescarpinatifinale.pdf
non disponibili
Tipologia:
Altro materiale allegato
Dimensione
9.75 MB
Formato
Adobe PDF
|
9.75 MB | Adobe PDF |
Se sei interessato/a a consultare l'elaborato, vai nella sezione Home in alto a destra, dove troverai le informazioni su come richiederlo. I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14240/32795