سیستم های پیشنهاددهنده آگاه از تناقض نظرات: بهبود پیشنهاد محصولات با نظرات متناقض با استفاده از الگوریتم های بدون نظارت خوشه بندی

محصولاتی که دارای نظرات متناقض هستند، در انتخاب کاربران تردید ایجاد می‌کنند. سلیقه‌های کاربران متفاوت است و این تفاوت‌ها منجر به تجربه‌های متفاوتی از یک محصول مشابه می‌شود. این اختلاف نظرات می‌تواند موجب سردرگمی کاربران جدید و آسیب به فروشنده یا ارائه‌دهنده محصول شود. در این مقاله چارچوبی برای شناسایی و بهره‌برداری از «آیتم‌های متناقض» (آیتم‌هایی که بازخوردهای هم‌زمان مثبت و منفی از گروه‌های مختلف کاربران دریافت کرده‌اند) در سیستم‌های پیشنهاددهنده ارائه می‌شود. هدف اصلی، بهبود کیفیت فهرست‌های کوتاه پیشنهادی با اولویت بر دقت است. روش پیشنهادی براساس ترکیب سه بخش اصلی طراحی شده است: تشخیص آیتم‌های متناقض با معیارهای آماری اصلاح‌شده، خوشه‌بندی بدون‌نظارت روی نگاشت‌های نهفته کاربران برای شناسایی گروه‌های هم‌سلیقه و تولید و امتیازدهی محافظه‌کارانه کاندیدها با استفاده از ترکیب سیگنال‌های نهفته و محتوایی. به‌عنوان پیاده‌سازی مفهومی و برای آزمون روش، چارچوب روی مجموعه movielensاجرا شد تا تواناییِ پیشنهاد فیلم‌ها را نشان دهد؛ هدف این پیاده‌سازی، ارزیابیِ مفهومی و کاربردیِ روش است، نه صرفاً کسب بالاترین عددهای متریک.

contradiction-aware recommender systems: improving product recommendations with conflicting reviews using unsupervised clustering algorithms

products that contain conflicting opinions create hesitation in users’ decision-making. user preferences vary, and these differences lead to different experiences of the same product. such opinion discrepancies can cause confusion for new users and harm the seller or product provider. in this paper, a framework is proposed for identifying and exploiting “controversial items” (items that have received simultaneous positive and negative feedback from different user groups) in recommender systems. the main objective is to improve the quality of recommended shortlists with an emphasis on accuracy. the proposed method is designed based on the integration of three main components: detection of controversial items using modified statistical criteria, unsupervised clustering on users’ latent representations to identify like-minded groups, and candidate generation and scoring performed in a conservative manner using a combination of latent and content-based signals. as a conceptual implementation and for evaluating the proposed method, the framework was applied to the movielens dataset to demonstrate its ability to recommend movies; the goal of this implementation is conceptual and practical evaluation of the method, rather than merely achieving the highest metric scores.