17.5 Graphical Shopping InterfaceTh

17.5 Graphical Shopping Interface
The idea of map based visualization can be combined with recommender systems
[39]. The most direct way for doing this is by just representing recommendations
of the system in a map instead of a list. This approach is taken in the graphical recommender
system introduced in [23]. Another system introduced in that paper, the
graphical shopping interface (GSI), implements a more interactive recommendation
process for users who do not have a clear idea about what they are looking for and
need to shape their preferences. The GSI implements an approach which in recommender
system literature is called recommendation by proposing [45] or inspiration
seeking [40]. The idea is to let the user navigate through the complete product catalog
in steps, where at each step a set of products is represented in a map. In this
map, the user can select a product and then a new set of products, generally more
similar to the selected product, is produced and visualized by MDS in a similar way
as is done by the MDS based product catalog map introduced in Section 17.3.1.
In [23], three different types of the GSI were proposed, the random system, the
clustering system, and the hierarchical system. Since the random system performed
best in a simulation study in that paper, we only consider the random system here.
In this system, each time a small set of products is randomly selected to be shown
to the user out of a larger set. This larger set contains products that are similar to a
product selected by the user. First, the GSI needs to be initialized. We refer to this
initialization as iteration t = 0. In this initialization, the larger set of products Dt is
set to be the complete product catalog, that is, D0 = D. Out of set D0, p products
are selected at random (without replacement). These products form together the
smaller set D∗0. Then, dissimilarity matrix Δ∗0 is computed using the adapted Gower
coefficient introduced in Section 17.3.1 and D∗0 . Finally, a map Z0 in which these
randomly selected products are mapped is created using MDS and shown to the user.
The iterative process starts when the user selects one of the shown products we
denote by x∗t . Then, the dissimilarities between x∗t and all other products in D are computed. To create Dt , we select the max(p−1,αt I −1) products that are most
similar to x∗t . The parameter α, where 0 < α ≤ 1, determines how much the size
of Dt is decreased each iteration. Thereafter, the process is almost identical to the
steps taken in the initialization. We create a small set D∗t consisting of x∗t and p−1
products randomly selected from Dt and compute a dissimilarity matrix Δ ∗t based
on these products. This matrix is the input for the MDS algorithm returning the new
map Zt .
The parameter α determines how large the influence of the selections of the user
are on the complete process. When α = 1, this influence is very small, since each
time a completely random selection is shown to the user except for the product
selected by the user in the last iteration. Whenα is lower, this influence is higher, but
the variance in Dt also decreases more quickly. The random system is summarized
in Figure 17.5.

Results (Thai) 1:

17.5 Graphical Shopping InterfaceThe idea of map based visualization can be combined with recommender systems[39]. The most direct way for doing this is by just representing recommendationsof the system in a map instead of a list. This approach is taken in the graphical recommendersystem introduced in [23]. Another system introduced in that paper, thegraphical shopping interface (GSI), implements a more interactive recommendationprocess for users who do not have a clear idea about what they are looking for andneed to shape their preferences. The GSI implements an approach which in recommendersystem literature is called recommendation by proposing [45] or inspirationseeking [40]. The idea is to let the user navigate through the complete product catalogin steps, where at each step a set of products is represented in a map. In thismap, the user can select a product and then a new set of products, generally moresimilar to the selected product, is produced and visualized by MDS in a similar wayas is done by the MDS based product catalog map introduced in Section 17.3.1.In [23], three different types of the GSI were proposed, the random system, theclustering system, and the hierarchical system. Since the random system performedbest in a simulation study in that paper, we only consider the random system here.In this system, each time a small set of products is randomly selected to be shownto the user out of a larger set. This larger set contains products that are similar to aproduct selected by the user. First, the GSI needs to be initialized. We refer to thisinitialization as iteration t = 0. In this initialization, the larger set of products Dt isset to be the complete product catalog, that is, D0 = D. Out of set D0, p productsare selected at random (without replacement). These products form together thesmaller set D∗0. Then, dissimilarity matrix Δ∗0 is computed using the adapted Gowercoefficient introduced in Section 17.3.1 and D∗0 . Finally, a map Z0 in which theserandomly selected products are mapped is created using MDS and shown to the user.The iterative process starts when the user selects one of the shown products wedenote by x∗t . Then, the dissimilarities between x∗t and all other products in D are computed. To create Dt , we select the max(p−1,αt I −1) products that are mostsimilar to x∗t . The parameter α, where 0 < α ≤ 1, determines how much the sizeof Dt is decreased each iteration. Thereafter, the process is almost identical to thesteps taken in the initialization. We create a small set D∗t consisting of x∗t and p−1products randomly selected from Dt and compute a dissimilarity matrix Δ ∗t basedon these products. This matrix is the input for the MDS algorithm returning the newmap Zt .The parameter α determines how large the influence of the selections of the userอยู่กระบวนการเสร็จสมบูรณ์ เมื่อα = 1 อิทธิพลนี้เป็นขนาดเล็กมาก เนื่องจากแต่ละเวลาที่แสดงขึ้นให้ผู้ใช้ยกเว้นผลิตภัณฑ์เลือกสุ่มอย่างสมบูรณ์เลือกผู้ใช้ในการเกิดซ้ำล่าสุด Whenα ล่าง อิทธิพลนี้จะสูงขึ้น แต่ผลต่างใน Dt ยังลดลงได้เร็วขึ้น สรุประบบสุ่มในรูป 17.5

Results (Thai) 2:

17.5 กราฟิกช้อปปิ้งการเชื่อมต่อ
ความคิดของการสร้างภาพตามแผนที่สามารถใช้ร่วมกับระบบ recommender
[39] ทางตรงมากที่สุดสำหรับการทำเช่นนี้เป็นเพียงข้อเสนอแนะที่เป็นตัวแทน
ของระบบในแผนที่แทนของรายการ วิธีนี้เป็นวิธีการดำเนินการใน recommender กราฟิก
นำมาใช้ในระบบ [23] ระบบอื่นแนะนำในกระดาษที่
ช้อปปิ้งอินเตอร์เฟซแบบกราฟิก (GSI) ดำเนินการโต้ตอบมากขึ้นคำแนะนำ
ขั้นตอนสำหรับผู้ใช้ที่ไม่ได้มีความคิดที่ชัดเจนเกี่ยวกับสิ่งที่พวกเขากำลังมองหาและ
ต้องการที่จะทรงค่าของพวกเขา GSI ดำเนินการวิธีการที่ recommender
วรรณกรรมระบบที่เรียกว่าข้อเสนอแนะโดยเสนอ [45] หรือแรงบันดาลใจ
ที่กำลังมองหา [40] มีแนวคิดที่จะให้ผู้ใช้นำทางผ่านแคตตาล็อกผลิตภัณฑ์ที่สมบูรณ์
ในขั้นตอนที่ในแต่ละขั้นตอนการตั้งค่าของผลิตภัณฑ์ที่มีตัวแทนอยู่ในแผนที่ ในการนี้
แผนที่ผู้ใช้สามารถเลือกสินค้าแล้วชุดใหม่ของผลิตภัณฑ์โดยทั่วไปมากขึ้น
คล้ายกับผลิตภัณฑ์ที่เลือกคือการผลิตและมองเห็นโดย MDS ในลักษณะที่คล้ายกัน
เป็นที่ทำโดยแผนที่ของรายการสินค้าตาม MDS แนะนำในมาตรา 17.3 0.1.
ใน [23] สามประเภทที่แตกต่างกันของ GSI ถูกเสนอระบบสุ่ม
ระบบการจัดกลุ่มและลำดับชั้นของระบบ ตั้งแต่ระบบสุ่มดำเนินการ
ที่ดีที่สุดในการศึกษาการจำลองในกระดาษที่เราพิจารณาระบบสุ่มที่นี่.
ในระบบนี้ทุกครั้งที่มีชุดเล็ก ๆ ของผลิตภัณฑ์ที่มีการสุ่มเลือกที่จะแสดง
ให้กับผู้ใช้ออกจากชุดที่มีขนาดใหญ่ ชุดนี้มีขนาดใหญ่มีผลิตภัณฑ์ที่คล้ายกับ
สินค้าที่เลือกโดยผู้ใช้ ครั้งแรกที่ GSI จะต้องมีการเริ่มต้น เราพูดถึงเรื่องนี้
เริ่มต้นเป็นเสื้อซ้ำ = 0 ในการเริ่มต้นนี้ชุดที่มีขนาดใหญ่ของผลิตภัณฑ์ Dt ถูก
กำหนดให้เป็นแคตตาล็อกผลิตภัณฑ์ที่สมบูรณ์, ที่อยู่, D0 = ดีออกจากชุด D0 ผลิตภัณฑ์พี
ได้รับการคัดเลือกโดยการสุ่ม (โดยไม่ เปลี่ยน) ผลิตภัณฑ์เหล่านี้เข้าด้วยกันในรูปแบบ
D ชุดเล็ก * 0 จากนั้นความแตกต่างเมทริกซ์Δ * 0 จะคำนวณโดยใช้ดัดแปลงโกเวอร์
สัมประสิทธิ์แนะนำในมาตรา 17.3.1 และ D * 0 ในที่สุดแผนที่ Z0 ซึ่งเหล่านี้
ผลิตภัณฑ์ที่เลือกแบบสุ่มแมปจะถูกสร้างขึ้นโดยใช้ MDS และแสดงให้เห็นว่าผู้ใช้.
กระบวนการซ้ำเริ่มต้นเมื่อผู้ใช้เลือกหนึ่งของผลิตภัณฑ์ที่โชว์ที่เรา
ใช้แสดงโดย x * t จากนั้นความแตกต่างระหว่าง x * t และผลิตภัณฑ์อื่น ๆ ทั้งหมดใน D จะคำนวณ เพื่อสร้าง Dt เราเลือกสูงสุด (P-1 αtผม -1) ผลิตภัณฑ์ที่มีส่วนใหญ่
คล้ายกับ x * t พารามิเตอร์αที่ 0 <α≤ 1 กำหนดเท่าใดขนาด
ของ Dt จะลดลงซ้ำกัน หลังจากนั้นกระบวนการเกือบจะเหมือนกับ
ขั้นตอนการดำเนินการในการเริ่มต้น เราสร้างชุดเล็ก D * t ประกอบด้วย x * t และ P-1
ผลิตภัณฑ์สุ่มเลือกจาก Dt และคำนวณเมทริกซ์แตกต่างΔ t * ขึ้นอยู่
กับผลิตภัณฑ์เหล่านี้ เมทริกซ์นี่คือการป้อนข้อมูลสำหรับอัลกอริทึม MDS กลับมาใหม่
แผนที่ Zt.
พารามิเตอร์αกำหนดวิธีการขนาดใหญ่ที่มีอิทธิพลต่อการเลือกของผู้ใช้
อยู่ในกระบวนการทั้งหมด เมื่อα = 1 อิทธิพลนี้มีขนาดเล็กมากเนื่องจากแต่ละ
ครั้งที่มีการสุ่มเลือกสมบูรณ์แสดงให้เห็นว่าผู้ใช้ยกเว้นสำหรับสินค้าที่
เลือกโดยผู้ใช้ในการทำซ้ำที่ผ่านมา Whenαต่ำอิทธิพลนี้ที่สูงขึ้น แต่
ความแปรปรวนใน Dt ก็จะลดลงได้อย่างรวดเร็ว ระบบสุ่มสรุป
ในรูปที่ 17.5