推薦系統的 HRI 模型

明尼蘇達大學資訊與工程系（Department of Computer Science and Engineering, University of Minnesota; CS UMN）是學術界研究推薦系統的先驅之一，他們在 1994 年和 1997 年發表的兩篇論文，說明 GroupLens - 一個使用協同過濾（Collaborative Filtering，CF）技術來推薦 Usenet 文章的系統 - 的架構，成為CF 研究的重要里程碑之一。

自此 CF 技術逐漸為大家認同瞭解，他們的研究延伸到電影（MovieLens）、維基（WikiLens）、學術論文（TechLen）等其他領域；他們的研究小組，也擴張茁壯為 GroupLens Lab。

（年輕一輩知道 Usenet 的人不多了吧？）

2006年， GroupLens Lab 的學者在該年度的人因工程學術會議（Conference on Human Factor in Computer Systems； 學界習慣簡稱 CHI 2006）提出 Human-Recommender-Interaction （HRI）的研究架構，試圖將影響推薦系統成敗的所有因子，都納入模型中。

這個模型分為兩個部份，第一部份是分析推薦系統與使用者間的關係，以系統化的架構陳述分析此互動關係；第二部份是應用第一部份的整理與分析，整理出一個如何建構推薦系統的方法論（methodology）。

首先我們來看第一部份的內容， HRI 模型將系統與使用者間的互動分為三個主軸，分別是（一）使用者與推薦系統間的互動對話關係（二）推薦系統的個性，也可以說是消費者對推薦系統的感知（三）滿足使用者尋找資訊（information seeking）需求的評估項目。

我整理這三個主軸（three pillars）及其下的子標題，製圖如下。我們可以觀察到，這個模型比 Paul Lamere 在 The Music Recommender Face-Off 一文（筆者先前介紹過這篇文章許多次）中所提到的 familiarity、relevancy、novelty 三原則要細膩而全面多了。

這是因為 HRI 模型的目標，是找出推薦系統與使用者之間的所有互動關係，藉著分析這些因子的關聯與特質，掌握成功推薦系統的要素。從演算法的良窳，推薦名單的準確率與多元化，使用者對推薦系統的信賴度，推薦系統提供資訊客製化的程度，到用戶使用推薦系統的目的是否被滿足，都是這個模型關心的議題。

換句話說， Paul Lamere 的論點，只是一個研究人員在研究之餘，以「非」學術文章的組織結構，在部落格上發表的短文，僅止於談談作者的認知與感想而已。 HRI 則是研究人員嘗試建構一個完整的理論架構與方法論的嘗試，簡單地說，Paul Lamere 想說的，都在這個模型裡了。只是 HRI 在描述這項特點時，使用的字彙與 Paul Lamere 有少許差異，即便是同一個單字，解釋有可能有些許差異。閱讀文章時，千萬要注意這一點。

HRI 的第二部份，則是在說明如何利用這三個面向的分析內容，建構一個讓使用者滿意的成功推薦系統，重點在於流程與方法；CHI 2006 上所發表的文章，僅僅簡單的陳述一個概念和相關的 methodology ，畢竟那次會議所發表的，不是最精煉完整的成果，只是一篇短短的 working paper 。不過 GroupLens Lab 其後陸續在其他場合發表的文章，將第二部份做了更具體的描述，表達流程與觀念的示意圖也畫得更精（grin）了些（從下圖可以看到版本演進的梗概 ;-)）。

本文已經夠長了，先就此打住吧，畢竟這只是一篇讀書筆記，不是論文，有空再談談 HRI 的第二部份吧。

參考資料：

• S. M. Mcnee, J. Riedl, and J. A. Konstan, "Making recommendations better: an analytic model for human-recommender interaction," CHI '06 extended abstracts on Human factors in computing systems. New York, NY, USA: ACM, pp. 1103-1108, 2006.
  
• J. A. Konstan, S. M. Mcnee, C. Ziegler, R. Torres, N. Kapoor, and J. T. Riedl, "Lessons on applying automated recommender systems to information-seeking tasks," Proc. The National Conference on Artificial Intelligence, vol. 21, no. 2, 2006.