技术混合推荐引擎与个性化通知:辅助用户推荐的集成工具(ATHENA 项目)
信息检索
2022-02-15 v1 机器学习
摘要
ATHENA 项目旨在开发一款应对信息过载的应用,主要关注推荐系统(RSs),并兼具现代系统的个性化与用户体验设计。使用了两种机器学习(ML)算法:(1) 用于基于内容的过滤(CBF)的 TF-IDF;(2) 结合矩阵分解-奇异值分解(SVD)的分类协同过滤(CF)及均值(归一化)以提升 CF 预测精度。以菲律宾农业、水产和自然资源研发委员会(PCAARRD)e-Library 与 SARAI 项目出版物中的学术研究数据采样,外加模拟数据作为训练集,生成运用三种 RS 过滤(CF、CBF 及个性化条目推荐)的条目推荐。执行并讨论了系列测试与技术接受模型(TAM)。研究结论使用户能够参与在线信息并快速评估应用检索出的条目。兼容性测试(CoT)显示该应用兼容所有主流浏览器且支持移动端。性能测试(PT)给出了 v 参数规格建议,TAM 评估结果表现出强正相关反馈,足以解决作为本文核心的信息过载问题。提出了一种模块化架构以应对信息过载,主要关注兼具现代系统个性化与设计的 RSs。开发者利用两种 ML 算法并原型化了该架构的简化版本。执行并讨论了系列测试(CoT 与 PT)及 TAM 评估。ATHENA 项目增添了现代系统的 UX 特征设计。
引用
@article{arxiv.2202.06248,
title = {A Tech Hybrid-Recommendation Engine and Personalized Notification: An integrated tool to assist users through Recommendations (Project ATHENA)},
author = {Lordjette Leigh M. Lecaros and Concepcion L. Khan},
journal= {arXiv preprint arXiv:2202.06248},
year = {2022}
}
备注
15 pages