前回分はこちら↓↓
Chapter1 1.4~1.5 http://qiita.com/ru_pe129/items/39d0fb03ff1285e6d77d
1.6 Recommender Systems and Human Computer Interaction
前述したように、研究者はRSを開発する際に多くのことを考慮しなければならない。しかし、RSの根底にあるのは、「推薦が正しければユーザーは必ず推薦を受け入れる」という前提である。これは極端な話ではあるが、ただ推薦をするだけとはわけが違う。しかし、ユーザーには十分な知識や経験がなく、推薦を必要としていることは事実である。そして、ユーザー自身が推薦されたものを評価することも難しい。
RSの効果は推薦アルゴリズムの良し悪しとは異なる要素に依存していると指摘した研究も存在する。つまり、推薦したアイテムをユーザーが選択するように「説得」する必要があるのだ。他の表現で言い換えれば、RSに対する信頼を勝ち取る必要があるということである。RSの効果はアルゴリズムの正確さだけでは評価することが出来ないということである。
1.6.1 Trust, Explanations and Persuasiveness
本書で扱う信頼には2種類ある。RSを利用する他のユーザーへの信頼とRSの提供する推薦にたいする信頼である。FacebookなどのSNSはユーザー間の信頼を推薦に利用している。詳細は省くが、ユーザー間の信頼を利用することでRSにたいする信頼も向上する傾向にある。信頼を獲得するということは、推薦する側としては最終的目標を達成するということである。推薦した商品をユーザーが買ってくれるようになれば勝ったも同然ということだろうか。いずれにせよ、RSの価値（精度）を上げることが信頼度を高めることは言うまでもない。
1.6.2 Conventional Systems
RSで推薦に用いるデータを一度しか集めないように設計されているという、厳しい制限を多くのアルゴリズムが抱えている。多くの場合、ユーザー自身も一度の推薦で自分の好みに気づくことは少ない。また、推薦結果が間違っていた場合、ユーザー自身がプロフィールなどを編集することによって推薦の改善に協力する場合もある。後の章で取り扱われるないようなので1.6.2章については詳細を省く。
1.6.3 Visualization
本章で述べてきたように、RSにおいてユーザーに対する推薦結果の見せ方は非常に重要である。多くのRSにおいて推薦結果はランクづけされたリストの形でユーザーに提供されるが、その場合は各アイテムが持つ多くの情報が失われている。推薦結果の表現方法についても後の章で取り扱う。
1.7 Recommender Systems as a Multi-Disciplinary Field
これまで述べてきたように、RSでは多くの分野の知識を必要とする。ここでは、いくつかの分野を取り上げてRSとの関係について述べる。
機械学習(Machine Learning)とデータマイニング(data mining)
人工知能分野の一部であり、データや例を用いることでコンピューターに学習させることが出来る。多くのRSは機械学習やデータマイニングのアルゴリズムを利用している。
情報検索（IR）
ユーザーがコンテンツを保存したり検索したりするのを支援することを目的としたもの。情報検索は検索対象を非常に大きな単位でとらえているが、検索対象をランクづけしてユーザーに提供するという点ではRSと共通した部分も多い。また、推薦システムで用いる情報検索に応用することで情報検索におけるユーザーの満足度は非常に高くなるだろう。
1.8 Emerging Topics and Challenges
1.8.1 Emerging Topics Discussed in the Handbook
1.8.2 Challenges
1.8は基本的に他の章の概要を説明をしているだけなので省略
Chapter1が終わりました。
私なりの要約をすると、以下の4つがChapter1の主な内容だったのではないでしょうか。
・ RSは多くの分野の知見を必要とする。
・ 一口にRSと言っても様々な切り口がある
・ RSを利用するには対象分野の知識を持っておくこと
・ 大切なのはアルゴリズムだけではない
次回からはChapter2を読んでいきます。
イントロが終わったのでペースを落とす予定です。
引き続きよろしくお願いいたします。