神经科学用户模型：不确定用户反馈的来源及改进推荐与个性化的潜力
人机交互
2018-05-01 v1 神经元与认知
摘要
近期研究表明，用户在与自适应系统交互时的反馈存在显著缺乏可靠性的问题，通常被称为用户噪声或人类不确定性。此外，这种可靠性的缺乏对自适应系统和个性化方法的评估具有显著影响。以往关于该主题的研究大多采用强烈的以系统为中心的视角，将用户变异视为不受欢迎的因素，并旨在建模以将其消除。然而，迄今为止对提取额外信息的可能性考虑尚不充分。在本文中，我们考虑贝叶斯大脑的神经科学理论，以开发新的用户模型，该模型能够将用户行为的变异转化为额外信息，从而改进推荐和个性化。为此，我们首先引入一个自适应模型，其中神经元群体为将要提交的反馈提供估计。随后，我们提出各种解码器函数，将神经活动转化为定量决策。认知模型与解码器函数的相互作用产生了不同的基于模型的决策特性。这将有助于根据用户个体的神经特征和思维模式将他们关联到不同的聚类中。通过用户实验和模拟，我们展示了该信息可用于改进标准协同过滤。
引用
@article{arxiv.1804.10861,
title = {Neuroscientific User Models: The Source of Uncertain User Feedback and Potentials for Improving Recommendation and Personalisation},
author = {Kevin Jasberg and Sergej Sizov},
journal= {arXiv preprint arXiv:1804.10861},
year = {2018}
}
备注
User Noise, Human Uncertainty, Collaborative Filtering, User Models, Bayesian Brain, Probabilistic Population Codes, Cognitive Agency, Neural Coding