21.2 Usage Scenarios and Classifica

21.2 Usage Scenarios and Classification of Group
Recommenders
There are many circumstances in which adaptation to a group is needed rather than to an individual. Below, we present two scenarios that inspired our own work in this area, discuss the scenarios underlying related work, and provide a classification of group recommenders inspired by differences between the scenarios.

21.2.1 Interactive Television
Interactive television offers the possibility of personalized viewing experiences. For instance, instead of everybody watching the same news program, it could be personalized to the viewer. For me, this could mean adding more stories about the Netherlands (where I come from), China (a country that fascinates me after having spent some holidays there) and football, but removing stories about cricket (a sport I hardly understand) and local crime. Similarly, music programs could be adapted to show music clips that I actually like.

There are two main differences between traditional recommendation as it applies to say PC-based software and the interactive TV scenarios sketched above. Firstly, in contrast to the use of PCs, television viewing is largely a family or social activity. So, instead of adapting the news to an individual viewer, the television would have to adapt it to the group of people sitting in front of it at that time. Secondly, traditional work on recommendation has often concerned recommending one particular thing to the user, so for instance, which movie the user should watch. In the scenarios sketched above, the television needs to adapt a sequence of items (news items, music clips) to the viewer. The combination of recommending to a group and recommending a sequence is very interesting, as it may allow you to keep all individuals in the group satisfied by compensating for items a particular user dislikes with other items in the sequence which they do like.

21.2.2 Ambient Intelligence
Ambient intelligence deals with designing physical environments that are sensitive and responsive to the presence of people. For instance, consider the case of a bookstore where sensors detect the presence of customers identified by some portable device (e.g. a Bluetooth-enabled mobile phone, or a fidelity card equipped with an active RFID tag). In this scenario, there are various sensors distributed among the shelves and sections of the bookstore which are able to detect the presence of individual customers. The bookstore can associate the identification of customers with their profiling information, such as preferences, buying patterns and so on.

With this infrastructure in place, the bookstore can provide customers with a responsive environment that would adapt to maximise their well-being with a view to increasing sales. For instance, the device playing the background music should take into account the preferences of the group of customers within hearing distance. Similarly, LCD displays scattered in the store show recommended books based on the customers nearby, the lights on the shop’s display window (showing new titles) can be rearranged to reflect the preferences and interests of the group of customers watching it, and so on. Clearly, group adaptation is needed, as most physical environments will be used by multiple people at the same time.

21.2.3 Scenarios Underlying Related Work
In this section we discuss the scenarios underlying the best known group recommender systems:
• MUSICFX [15] chooses a radio station for background music in a fitness centre, to suit a group of people working out at a given time. This is similar to the Ambient Intelligence scenario discussed above.
• POLYLENS [17] is a group recommender extension of MOVIELENS. MOVIELENS recommends movies based on an individual’s taste as inferred from ratings and social filtering. POLYLENS allows users to create groups and ask for group recommendations.
• INTRIGUE [2] recommends places to visit for tourist groups taking into account characteristics of subgroups within that group (such as children and the disabled).
• The TRAVEL DECISION FORUM [7] helps a group to agree on the desired attributes of a planned joint holiday. Users indicate their preferences on a set of features (like sport and room facilities). For each feature, the system aggregates the individual preferences, and users interact with embodied conversational agents representing other group members to reach an accepted group preference.
• The COLLABORATIVE ADVISORY TRAVEL SYSTEM (CATS) [16] also helps users to choose a joint holiday. Users consider holiday packages, and critique their features (e.g., ‘like the one shown but with a swimming pool’). Based on these critiques, the system recommends other holidays to them. Users also select holidays they like for other group members to see, and these are annotated with how well they match the preferences of each group member (as induced from their critiques). The individual members’ critiques results in a group preference model, and other holidays are recommended based on this model.
• YU’S TV RECOMMENDER [20] recommends a television program for a group to watch. It bases its recommendation on the individuals’ preferences for program features (such as genre, actors, keywords).

21.2.4 A Classification of Group Recommenders
The scenarios provided above differ on several dimensions, which provide a way to classify group recommender systems:
• Individual preferences are known versus developed over time. In most scenarios, the group recommender starts with individual preferences. In contrast, in CATS, individual preferences develop over time, using a critiquing style approach. Chapter 13 discusses critiquing and its role in group recommendation.
• Recommended items are experienced by the group versus presented as options. In the Interactive TV scenario, the group experiences the news items. In the Ambient Intelligence and MUSICFX scenarios, they experience the music. In contrast, in the other scenarios, they are presented with a list of recommendations. For example, POLYLENS presents a list of movies the group may want to watch.
• The group is passive versus active. In most scenarios, the group does not interact with the way individual preferences are aggregated. However, in the TRAVEL DECISION FORUM and CATS the group negotiates the group model.
• Recommending a single item versus a sequence. In the scenarios of MUSICFX, POLYLENS, and YU’S TV RECOMMENDER it is sufficient to recommend individual items: people normally only see one movie per evening, radio stations can play forever, and YU’S TV RECOMMENDER chooses one TV program only. Similarly, in the TRAVEL DECISION FORUM and CATS users only go on one holiday. In contrast, in our Interactive TV scenario, a sequence of items is recommended, for example making up a complete news broadcast. Similarly, in INTRIGUE, it is quite likely that a tourist group would visit multiple attractions during their trip, so would be interested in a sequence of attractions to visit. Also, in the Ambient Environment scenario it is likely that a user will hear multiple songs, or see multiple items on in-store displays.

In this chapter, we will focus on the case where individual preferences are known, the group directly experiences the items, the group is passive, and a sequence is recommended. Recommending a sequence raises interesting questions regarding sequence order (see Section 21.4) and considering the individuals’ affective state (see Sections 21.5 and 21.6). A passive group with direct experience of the items makes it even more important that the group recommendation is good.

DeCampos et al.’s classification of group recommenders also distinguishes between passive and active groups [4]. In addition, it uses two other dimensions:
• How individual preferences are obtained. They distinguish between contentbased and collaborative filtering. Of the systems mentioned above, POLYLENS is the only one that uses collaborative filtering.
• Whether recommendations or profiles are aggregated. In the first case, recommendations are produced for individuals and then aggregated into a group recommendation. In the second case, individual preferences are aggregated into a group model, and this model is used to produce a group recommendation. They mention INTRIGUE and POLYLENS as aggregating recommendations, while the others aggregate profiles.

These two dimensions are related to how the group recommender is implemented rather than being inherent to the usage scenario. In this chapter, we focus on aggregating profiles, but the same aggregation strategies apply when aggregating recommendations. The material presented in this chapter is independent of how the individual preferences are obtained.

21.3 Aggregation Strategies
The main problem group recommendation needs to solve is how to adapt to the group as a whole based on information about individual users’ likes and dislikes. For instance, suppose the group contains three people: Peter, Jane and Mary. Suppose a system is aware that these three individuals are present and knows their interest in each of a set of items (e.g. music clips or advertisements). Table 21.1 gives example ratings on a scale of 1 (really hate) to 10 (really like). Which items should the system recommend, given time for four items?

Results (Thai) 1:

21.2 สถานการณ์การใช้และจำแนกประเภทของกลุ่มRecommendersมีหลายกรณี ในการปรับตัวซึ่งกลุ่มจำเป็นต้องใช้ แทนบุคคล ด้านล่าง เรานำเสนอสถานการณ์ที่สองที่ได้แรงบันดาลใจของเราเองทำงานในพื้นที่นี้ หารือสถานการณ์ต้นทำงานที่เกี่ยวข้อง และให้จัดประเภทของกลุ่ม recommenders บันดาลใจจากความแตกต่างระหว่างสถานการณ์21.2.1 โทรทัศน์โต้ตอบโต้ตอบโทรทัศน์สามารถดูเป็นประสบการณ์ ตัวอย่าง แทนทุกคนดูโปรแกรมข่าวเดียวกัน มันสามารถส่วนบุคคลเพื่อการแสดง สำหรับฉัน นี้อาจหมายถึง การเพิ่มเรื่องราวเพิ่มเติมเกี่ยวกับเนเธอร์แลนด์ (ซึ่งฉันมาจาก), ฟุตบอล และจีน (ประเทศที่ fascinates ฉันหลังจากที่มีใช้บางวันหยุด) แต่เอาเรื่องราวเกี่ยวกับคริกเก็ต (กีฬาผมไม่เข้าใจ) และอาชญากรรมในท้องถิ่นได้ ในทำนองเดียวกัน เพลงสามารถปรับการแสดงเพลงคลิปที่จริงชอบมีความแตกต่างหลักสองระหว่างแนะนำแบบดั้งเดิมจะใช้ว่าซอฟต์แวร์ที่ใช้ PC และร่างแผนสถานการณ์ TV โต้ตอบข้างต้น ประการแรก ตรงข้ามการใช้พีซี โทรทัศน์ดูได้ส่วนใหญ่ครอบครัวหรือกิจกรรมทางสังคม ดังนั้น แทนดร.ข่าวเพื่อแสดงการละ โทรทัศน์จะต้องปรับให้กลุ่มคนที่นั่งอยู่หน้ามันที่ ประการที่สอง แนะนำงานแบบดั้งเดิมมีมักกังวลแนะนำเฉพาะสิ่งหนึ่งให้กับผู้ใช้ ดังนั้นตัวอย่าง ภาพยนตร์ที่ผู้ใช้ควรระวังการ ในสถานการณ์ร่างแผนข้างต้น โทรทัศน์ต้องปรับเปลี่ยนลำดับของรายการ (รายการข่าว คลิปเพลง) เพื่อแสดงการ แนะนำให้กับกลุ่ม และแนะนำเป็นลำดับเป็นที่น่าสนใจมาก เป็นมันอาจช่วยให้คุณเพื่อให้บุคคลทั้งหมดในกลุ่มพอ โดยชดเชยสำหรับสินค้าที่ ผู้ที่ไม่ชอบกับสินค้าอื่นในลำดับที่เหมือน21.2.2 ล้อมปัญญาปัญญาแวดล้อมเกี่ยวข้องกับการออกแบบสภาพแวดล้อมทางกายภาพที่สำคัญ และการตอบสนองของบุคคล พิจารณาตัวอย่าง กรณีของมอร์ที่เซนเซอร์ตรวจจับสถานะของลูกค้าที่ระบุ โดยอุปกรณ์พกพาบางอย่าง (เช่นโทรศัพท์มือถือที่เปิดใช้งาน Bluetooth หรือบัตรความจงรักภักดีพร้อมป้าย RFID ใช้งานอยู่) ในสถานการณ์สมมตินี้ มีเซนเซอร์ต่าง ๆ ที่กระจายระหว่างชั้นและส่วนของร้านหนังสือซึ่งสามารถตรวจสอบสถานะของลูกค้าแต่ละราย ร้านหนังสือสามารถเชื่อมโยงรหัสของลูกค้าข้อมูลการสร้างโพรไฟล์ของพวกเขา เช่นตั้งค่า รูปแบบการซื้อและ มีโครงสร้างพื้นฐานในนี้ ร้านหนังสือสามารถให้ลูกค้า มีสภาพแวดล้อมการตอบสนองที่จะปรับเปลี่ยนเพื่อเพิ่มประสิทธิภาพของพวกเขามุมมองการเพิ่มยอดขาย ตัวอย่าง อุปกรณ์เล่นเพลงควรคำนึงลักษณะของกลุ่มลูกค้าภายในระยะทางได้ยิน ในทำนองเดียวกัน แสดง LCD ที่กระจายอยู่ในร้านค้าแสดงตามลูกค้าใกล้เคียงกับหนังสือแนะนำ ไฟในร้านจะแสดงหน้าต่าง (แสดงชื่อใหม่) สามารถปรับใหม่เพื่อสะท้อนถึงลักษณะความสนใจของกลุ่มลูกค้าดู และอื่น ๆ เห็นได้ชัด ปรับกลุ่มต้อง สภาพแวดล้อมทางกายภาพส่วนใหญ่จะใช้หลายคนในเวลาเดียวกัน21.2.3 สถานการณ์ต้นทำงานที่เกี่ยวข้องในส่วนนี้ เราหารือเกี่ยวกับสถานการณ์ต้นระบบผู้แนะนำกลุ่มรู้จักกันดี: • MUSICFX [15] เลือกสถานีวิทยุเพลงพื้นหลังในฟิตเนสเซ็นเตอร์ ให้เหมาะกับกลุ่มคนทำงานออกในเวลาที่กำหนด นี่คือคล้ายกับสถานการณ์แวดล้อมปัญญาที่กล่าวถึงข้างต้น• POLYLENS [17] เป็นนามสกุลผู้แนะนำเป็นกลุ่มของ MOVIELENS MOVIELENS แนะนำภาพยนตร์ตามรสนิยมของแต่ละที่สรุปจากการจัดอันดับและการกรองข้อมูลทางสังคม POLYLENS ช่วยให้ผู้ใช้สามารถสร้างกลุ่ม และขอคำแนะนำกลุ่ม•เล่ห์กลกับ [2] แนะนำสถานที่เที่ยวสำหรับกลุ่มนักท่องเที่ยวเข้าบัญชีลักษณะของกลุ่มย่อยภายในกลุ่มนั้น (เช่นเด็กและผู้พิการ)•เวทีตัดสินใจของสหรัฐ [7] ช่วยกลุ่มการยอมรับแอตทริบิวต์ที่ระบุของวันหยุดร่วมกันวางแผน ผู้ใช้ระบุการตั้งค่าชุดงาน (เช่นกีฬาและห้องสิ่งอำนวยความสะดวก) สำหรับแต่ละคุณลักษณะ ระบบรวมความชอบส่วนตัว และผู้ใช้โต้ตอบกับ embodied สนทนาแทนสมาชิกคนอื่น ๆ ในการเข้าถึงการตั้งค่ากลุ่มการยอมรับตัวแทน•ร่วมปรึกษาในระบบ (แมว) [16] นอกจากนี้ยังช่วยผู้ใช้สามารถเลือกวันหยุดร่วมกัน ผู้พิจารณาแพ็คเกจ และวิจารณ์ลักษณะการทำงานของพวกเขา (เช่น, 'เหมือนที่แสดง แต่ มีสระว่ายน้ำ') ตามข้อดีข้อเสียเหล่านี้ ระบบแนะนำวันหยุดอื่น ๆ ไป ผู้ใช้เลือกวันหยุดที่พวกเขาต้องการสมาชิกกลุ่มอื่น ๆ ให้ดู และเหล่านี้จะใส่คำอธิบายประกอบ ด้วยวิธีการที่ดีตรงกับลักษณะของสมาชิกแต่ละกลุ่ม (ที่เกิดจากข้อดีข้อเสียของพวกเขา) ผลข้อดีข้อเสียของสมาชิกแต่ละรูปแบบกำหนดลักษณะกลุ่ม และวันหยุดอื่น ๆ จะแนะนำตามรูปแบบนี้•ผู้แนะนำรายการโทรทัศน์ของยู [20] แนะนำโปรแกรมโทรทัศน์ในกลุ่มดู เรื่องฐานของคำแนะนำเกี่ยวกับลักษณะของบุคคลสำหรับคุณลักษณะของโปรแกรม (เช่นประเภท นักแสดง คำสำคัญ)21.2.4 การจัดประเภทของกลุ่ม Recommendersสถานการณ์ที่ให้ไว้ข้างต้นแตกต่างกันในหลายมิติ ซึ่งช่วยให้สามารถจัดประเภทกลุ่มผู้แนะนำระบบ:•แต่ละลักษณะรู้จักกันกับพัฒนาช่วงเวลา ในสถานการณ์ส่วนใหญ่ ผู้แนะนำกลุ่มเริ่มต้น ด้วยความชอบส่วนตัว ในทางตรงกันข้าม ในแมว แต่ละคนพัฒนาในช่วงเวลา ใช้วิธีการแบบ critiquing บทที่ 13 กล่าวถึง critiquing และบทบาทของมันในกลุ่มแนะนำ•แนะนำสินค้ามีประสบการณ์ โดยเมื่อเทียบกับกลุ่มที่ปรากฏเป็นตัวเลือก ในสถานการณ์สมมตินี้บริการ Interactive TV กลุ่มประสบการณ์สินค้าข่าวสาร ในสถานการณ์แวดล้อมสติปัญญาและ MUSICFX พวกเขาพบเพลง ในทางตรงกันข้าม ในสถานการณ์อื่น ๆ แสดงรายการของคำแนะนำ ตัวอย่าง POLYLENS นำเสนอรายการของกลุ่มอาจต้องการดูภาพยนตร์•กลุ่มเป็นพาสซีฟเมื่อเทียบกับการใช้งาน ในสถานการณ์ส่วนใหญ่ กลุ่มโต้ตอบกับแบบรวมแต่ละคนจะไม่ อย่างไรก็ตาม ในฟอรั่มตัดสินใจเดินทางและแมว กลุ่ม negotiates แบบกลุ่ม•แนะนำสินค้ารายการเดียวกับลำดับ ในสถานการณ์ของผู้แนะนำ TV MUSICFX, POLYLENS และของยู มันเพียงพอที่จะแนะนำสินค้าแต่ละรายการ: คนปกติเท่าดูภาพยนตร์ 1 เรื่องต่อตอนเย็น สถานีวิทยุสามารถเล่นได้ตลอด และผู้แนะนำรายการโทรทัศน์ของยูเลือกหนึ่งรายการโทรทัศน์เท่านั้น ในทำนองเดียวกัน ในที่เวทีตัดสินใจเดินทางและแมวผู้ใช้ไปในหนึ่งวันหยุด ในทางตรงกันข้าม ในสถานการณ์ของเราให้บริการ Interactive TV ลำดับของรายการงาน เช่น ทำให้ค่าการออกอากาศข่าวสาร ในทำนองเดียวกัน ในเล่ห์กลกับ มันมีแนวโน้มมากว่า กลุ่มนักท่องเที่ยวจะแวะสถานที่ท่องเที่ยวหลายในระหว่างการเดินทาง เพื่อจะสนใจในลำดับของสถานที่ท่องเที่ยวหลายแห่งให้ได้ชม ยัง ในสถานการณ์สิ่งแวดล้อมแวดล้อม มันมีแนวโน้มว่า ผู้ใช้จะได้ยินหลายเพลง หรือดูหลายรายการแสดงในร้านค้าIn this chapter, we will focus on the case where individual preferences are known, the group directly experiences the items, the group is passive, and a sequence is recommended. Recommending a sequence raises interesting questions regarding sequence order (see Section 21.4) and considering the individuals’ affective state (see Sections 21.5 and 21.6). A passive group with direct experience of the items makes it even more important that the group recommendation is good.DeCampos et al.’s classification of group recommenders also distinguishes between passive and active groups [4]. In addition, it uses two other dimensions:• How individual preferences are obtained. They distinguish between contentbased and collaborative filtering. Of the systems mentioned above, POLYLENS is the only one that uses collaborative filtering.• Whether recommendations or profiles are aggregated. In the first case, recommendations are produced for individuals and then aggregated into a group recommendation. In the second case, individual preferences are aggregated into a group model, and this model is used to produce a group recommendation. They mention INTRIGUE and POLYLENS as aggregating recommendations, while the others aggregate profiles.These two dimensions are related to how the group recommender is implemented rather than being inherent to the usage scenario. In this chapter, we focus on aggregating profiles, but the same aggregation strategies apply when aggregating recommendations. The material presented in this chapter is independent of how the individual preferences are obtained.21.3 Aggregation StrategiesThe main problem group recommendation needs to solve is how to adapt to the group as a whole based on information about individual users’ likes and dislikes. For instance, suppose the group contains three people: Peter, Jane and Mary. Suppose a system is aware that these three individuals are present and knows their interest in each of a set of items (e.g. music clips or advertisements). Table 21.1 gives example ratings on a scale of 1 (really hate) to 10 (really like). Which items should the system recommend, given time for four items?

Results (Thai) 2:

21.2 สถานการณ์การใช้งานและการจำแนกประเภทของกลุ่ม
Recommenders
มีหลายกรณีที่การปรับตัวให้กับกลุ่มเป็นสิ่งจำเป็นมากกว่าที่จะเป็นของแต่ละบุคคล ด้านล่างนี้เรานำเสนอสองสถานการณ์ที่เป็นแรงบันดาลใจในการทำงานของเราเองในพื้นที่นี้หารือเกี่ยวกับสถานการณ์การทำงานพื้นฐานที่เกี่ยวข้องและให้การจัดหมวดหมู่ของกลุ่ม Recommenders แรงบันดาลใจจากความแตกต่างระหว่างสถานการณ์. 21.2.1 อินเตอร์แอคทีโทรทัศน์โทรทัศน์อินเตอร์แอคทีมีความเป็นไปได้ของประสบการณ์การรับชมส่วนบุคคล . ยกตัวอย่างเช่นแทนทุกคนที่ดูรายการข่าวเดียวกันก็อาจจะส่วนบุคคลให้กับผู้ชม สำหรับฉันนี้อาจหมายถึงการเพิ่มเรื่องราวเพิ่มเติมเกี่ยวกับเนเธอร์แลนด์ (ที่ผมมาจาก), จีน (ประเทศที่ fascinates ฉันหลังจากใช้เวลาวันหยุดบางอย่างมี) และฟุตบอล แต่เอาเรื่องราวเกี่ยวกับคริกเก็ต (กีฬาฉันแทบจะไม่เข้าใจ) และระดับท้องถิ่น อาชญากรรม ในทำนองเดียวกันรายการเพลงอาจจะมีการปรับให้เข้ากับเพลงคลิปแสดงว่าที่จริงผมชอบ. มีสองความแตกต่างที่สำคัญระหว่างคำแนะนำแบบดั้งเดิมเช่นมันบอกว่าจะนำไปใช้ซอฟแวร์ PC-based และสถานการณ์ทีวีโต้ตอบร่างดังกล่าวข้างต้น ประการแรกในทางตรงกันข้ามกับการใช้งานของเครื่องคอมพิวเตอร์, การดูโทรทัศน์เป็นส่วนใหญ่ในครอบครัวหรือกิจกรรมทางสังคม ดังนั้นแทนที่จะปรับตัวข่าวไปยังผู้ชมแต่ละโทรทัศน์จะมีการปรับให้กลุ่มคนนั่งอยู่ในด้านหน้าของมันในช่วงเวลานั้น ประการที่สองการทำงานแบบดั้งเดิมในคำแนะนำได้ที่เกี่ยวข้องมักจะแนะนำสิ่งหนึ่งโดยเฉพาะให้กับผู้ใช้เพื่อให้เช่นภาพยนตร์ที่ผู้ใช้ควรดู ในสถานการณ์ดังกล่าวข้างต้นร่าง, โทรทัศน์ความต้องการที่จะปรับตัวเข้ากับลำดับของรายการ (รายการข่าวเพลงคลิป) เพื่อให้ผู้เข้าชม การรวมกันของการแนะนำให้กับกลุ่มและแนะนำลำดับเป็นที่น่าสนใจมากในขณะที่มันอาจช่วยให้คุณเพื่อให้ประชาชนทุกคนในกลุ่มที่มีความพึงพอใจโดยชดเชยสำหรับรายการที่ผู้ใช้โดยเฉพาะอย่างยิ่งไม่ชอบกับรายการอื่น ๆ ในลำดับที่พวกเขาชอบทำ. 21.2.2 Ambient ข่าวกรองAmbient ข้อเสนอที่หน่วยสืบราชการลับที่มีการออกแบบสภาพแวดล้อมทางกายภาพที่มีความไวต่อการตอบสนองและการปรากฏตัวของคน เช่นพิจารณากรณีของร้านหนังสือที่เซ็นเซอร์ตรวจสอบสถานะของลูกค้าระบุโดยบางส่วนอุปกรณ์แบบพกพา (เช่นโทรศัพท์มือถือที่เปิดใช้งานบลูทู ธ หรือการ์ดความจงรักภักดีพร้อมกับแท็ก RFID ใช้งาน) ในสถานการณ์นี้ยังมีเซ็นเซอร์ต่างๆกระจายในชั้นวางและในส่วนของร้านหนังสือที่มีความสามารถในการตรวจสอบสถานะของลูกค้าแต่ละราย ร้านหนังสือสามารถเชื่อมโยงบัตรประจำตัวของลูกค้าที่มีข้อมูลโปรไฟล์ของพวกเขาเช่นการตั้งค่ารูปแบบการซื้อและอื่น ๆ . กับโครงสร้างพื้นฐานในสถานที่นี้ร้านสามารถให้บริการลูกค้าที่มีสภาพแวดล้อมการตอบสนองที่จะปรับตัวเพื่อเพิ่มของพวกเขาเป็นอยู่ที่ดีมีมุมมอง เพื่อเพิ่มยอดขาย ยกตัวอย่างเช่นอุปกรณ์เล่นเพลงพื้นหลังควรคำนึงถึงการตั้งค่าของกลุ่มลูกค้าที่อยู่ในระยะที่ได้ยิน ในทำนองเดียวกันจอ LCD แสดงกระจัดกระจายอยู่ในร้านค้าที่แนะนำหนังสือที่อยู่บนพื้นฐานของลูกค้าในบริเวณใกล้เคียงไฟบนหน้าต่างแสดงผลร้านค้า (แสดงชื่อใหม่) สามารถจัดใหม่เพื่อให้สอดคล้องกับการตั้งค่าและความสนใจของกลุ่มลูกค้าดูมันและอื่น ๆ เห็นได้ชัดว่าการปรับตัวของกลุ่มเป็นสิ่งจำเป็นในขณะที่สภาพแวดล้อมทางกายภาพส่วนใหญ่จะถูกใช้โดยคนหลายคนในเวลาเดียวกัน. 21.2.3 สถานการณ์อ้างอิงงานที่เกี่ยวข้องในส่วนนี้เราจะหารือสถานการณ์ระบบพื้นฐานกลุ่มที่รู้จักกันดี recommender: • MusicFX [15] เลือกสถานีวิทยุเพลงพื้นหลังในศูนย์ออกกำลังกายเพื่อให้เหมาะกับกลุ่มคนที่ทำงานออกมาในเวลาที่กำหนด นี้จะคล้ายกับสถานการณ์แวดล้อมข่าวกรองกล่าวข้างต้น. • POLYLENS [17] เป็นส่วนขยายของกลุ่ม recommender MOVIELENS MOVIELENS แนะนำภาพยนตร์ขึ้นอยู่กับรสนิยมของแต่ละบุคคลเป็นสรุปจากการจัดอันดับและการกรองสังคม POLYLENS ช่วยให้ผู้ใช้สามารถสร้างกลุ่มและขอคำแนะนำกลุ่ม. • INTRIGUE [2] แนะนำสถานที่ท่องเที่ยวสำหรับกลุ่มนักท่องเที่ยวคำนึงถึงลักษณะบัญชีของกลุ่มย่อยในกลุ่มที่ (เช่นเด็กและคนพิการ). •การตัดสินใจ TRAVEL ฟอรั่ม [7] จะช่วยให้กลุ่มที่จะเห็นด้วยกับคุณลักษณะที่ต้องการของวันหยุดร่วมกันวางแผน ผู้ใช้งานที่บ่งบอกถึงการตั้งค่าของพวกเขาในชุดของคุณลักษณะ (เช่นการกีฬาและสิ่งอำนวยความสะดวก) สำหรับแต่ละคุณลักษณะระบบมวลความชอบของแต่ละบุคคลและผู้ใช้โต้ตอบกับตัวแทนการสนทนาเป็นตัวเป็นตนเป็นตัวแทนของสมาชิกในกลุ่มอื่น ๆ ในการเข้าถึงการตั้งค่ากลุ่มได้รับการยอมรับ. •ระบบความร่วมมือที่ปรึกษาการท่องเที่ยว (CATS) [16] นอกจากนี้ยังช่วยให้ผู้ใช้สามารถเลือกวันหยุดร่วมกัน ผู้ใช้พิจารณาแพคเกจวันหยุดและวิจารณ์คุณสมบัติของพวกเขา (เช่น 'เช่นเดียวกับที่แสดง แต่มีสระว่ายน้ำ) ขึ้นอยู่กับการวิพากษ์วิจารณ์เหล่านี้ระบบแนะนำวันหยุดอื่น ๆ ให้กับพวกเขา ผู้ใช้ยังเลือกวันหยุดที่พวกเขาต้องการสำหรับสมาชิกในกลุ่มอื่น ๆ เพื่อดูและข้อเขียนเหล่านี้จะมีวิธีการที่ดีที่พวกเขาตรงกับความต้องการของสมาชิกในแต่ละกลุ่ม (ตามที่เหนี่ยวนำให้เกิดการวิพากษ์วิจารณ์จากพวกเขา) สมาชิกแต่ละคนวิพากษ์วิจารณ์ผลในรูปแบบการตั้งค่ากลุ่มและวันหยุดอื่น ๆ ที่แนะนำบนพื้นฐานของรุ่นนี้. •ยูทีวี recommender [20] แนะนำรายการโทรทัศน์สำหรับกลุ่มที่จะดู มันฐานคำแนะนำกับความชอบของแต่ละบุคคลสำหรับคุณลักษณะของโปรแกรม (เช่นประเภทนักแสดงคำหลัก). 21.2.4 การจำแนกประเภทของกลุ่ม Recommenders สถานการณ์ให้ไว้ข้างต้นแตกต่างกันในหลายมิติซึ่งเป็นวิธีที่จะจัดระบบ recommender กลุ่ม: • ความชอบของแต่ละบุคคลเป็นที่รู้จักกันเมื่อเทียบกับการพัฒนาอยู่ตลอดเวลา ในสถานการณ์ส่วนใหญ่ recommender กลุ่มเริ่มต้นด้วยความชอบของแต่ละบุคคล ในทางตรงกันข้ามในแมวความชอบของแต่ละบุคคลการพัฒนาอยู่ตลอดเวลาโดยใช้วิธีการรูปแบบ critiquing บทที่ 13 กล่าวถึง critiquing และบทบาทในการเสนอแนะกลุ่ม. •รายการแนะนำที่มีประสบการณ์จากกลุ่มเมื่อเทียบกับนำเสนอเป็นตัวเลือก ในสถานการณ์ทีวีอินเตอร์แอคทีกลุ่มที่มีประสบการณ์รายการข่าว ในหน่วยสืบราชการลับแวดล้อมและสถานการณ์ MusicFX พวกเขาได้สัมผัสกับเพลง ในทางตรงกันข้ามในสถานการณ์อื่น ๆ ที่พวกเขาจะนำเสนอกับรายการของคำแนะนำ ตัวอย่างเช่น POLYLENS นำเสนอรายชื่อของภาพยนตร์กลุ่มอาจต้องการชม. •กลุ่มเรื่อย ๆ เมื่อเทียบกับการใช้งาน ในสถานการณ์ส่วนใหญ่กลุ่มที่ไม่ได้มีปฏิสัมพันธ์กับวิธีที่ความชอบของแต่ละบุคคลมีการรวบรวม อย่างไรก็ตามในฟอรั่มการตัดสินใจเดินทางและแมวกลุ่มเจรจารูปแบบกลุ่ม. •แนะนำรายการเดียวเมื่อเทียบกับลำดับ ในสถานการณ์ของ MusicFX, POLYLENS และยูทีวี recommender มันเพียงพอที่จะแนะนำแต่ละรายการ: คนปกติเพียง แต่ดูหนังเรื่องหนึ่งในช่วงเย็นของสถานีวิทยุสามารถเล่นได้ตลอดไปและยูทีวี recommender เลือกรายการทีวีคนเดียว ในทำนองเดียวกันในฟอรั่มการตัดสินใจท่องเที่ยวและผู้ใช้แมวเพียงอย่างใดอย่างหนึ่งไปในวันหยุด ในทางตรงกันข้ามในสถานการณ์ทีวีของเราอินเตอร์ลำดับของรายการที่ขอแนะนำเช่นทำขึ้นออกอากาศข่าวที่สมบูรณ์ ในทำนองเดียวกันใน INTRIGUE ก็มีโอกาสมากที่กลุ่มท่องเที่ยวจะไปเยี่ยมสถานที่ท่องเที่ยวหลายในระหว่างการเดินทางของพวกเขาจึงจะมีความสนใจในลำดับที่ของการเยี่ยมชมสถานที่ท่องเที่ยว นอกจากนี้ในสถานการณ์สิ่งแวดล้อมโดยรอบก็มีโอกาสที่ผู้ใช้จะได้ยินหลายเพลงหรือดูหลายรายการบนจอแสดงผลในห้าง. ในบทนี้เราจะมุ่งเน้นไปที่กรณีที่ความชอบของแต่ละบุคคลเป็นที่รู้จักกันกลุ่มที่มีประสบการณ์โดยตรงรายการ กลุ่มที่เป็นเรื่อย ๆ และลำดับที่จะแนะนำ แนะนำลำดับก่อให้เกิดคำถามที่น่าสนใจเกี่ยวกับการสั่งซื้อลำดับ (ดูมาตรา 21.4) และรัฐพิจารณาอารมณ์ของประชาชน (ดูมาตรา 21.5 และ 21.6) กลุ่มเรื่อย ๆ ที่มีประสบการณ์โดยตรงของรายการที่จะทำให้มันยิ่งมีความสำคัญมากขึ้นว่าข้อเสนอแนะของกลุ่มเป็นสิ่งที่ดี. DeCampos et al, การจัดหมวดหมู่. ของ Recommenders กลุ่มที่ยังแตกต่างระหว่างกลุ่ม passive และ active [4] นอกจากนี้ยังใช้สองมิติอื่น ๆ : •การตั้งค่าแต่ละวิธีจะได้รับ พวกเขาเห็นความแตกต่างระหว่างการกรอง contentbased และความร่วมมือ ระบบดังกล่าวข้างต้น POLYLENS เป็นเพียงคนเดียวที่ใช้การกรองการทำงานร่วมกัน. •ไม่ว่าจะเป็นคำแนะนำหรือมีประวัติรวม ในกรณีแรกที่แนะนำมีการผลิตสำหรับบุคคลและรวมแล้วเป็นคำแนะนำของกลุ่ม ในกรณีที่สองการตั้งค่าของแต่ละบุคคลมีการรวบรวมในรูปแบบกลุ่มและรุ่นนี้ถูกนำมาใช้ในการผลิตคำแนะนำของกลุ่ม พวกเขาพูดถึงอุบายและ POLYLENS เป็นคำแนะนำรวมในขณะที่คนอื่น ๆ รวมโปรไฟล์. เหล่านี้สองมิติที่เกี่ยวข้องกับวิธีการ recommender กลุ่มจะดำเนินการมากกว่าการจดทะเบียนสถานการณ์การใช้ ในบทนี้เรามุ่งเน้นการรวมโปรไฟล์ แต่กลยุทธ์การรวมตัวเดียวกันกับเมื่อรวมคำแนะนำ วัสดุที่นำเสนอในบทนี้มีความเป็นอิสระของวิธีการที่ความชอบของแต่ละบุคคลจะได้รับ. 21.3 รวมกลยุทธ์การคำแนะนำของกลุ่มปัญหาหลักความต้องการที่จะแก้ปัญหาคือวิธีการปรับให้เข้ากับกลุ่มโดยรวมขึ้นอยู่กับข้อมูลเกี่ยวกับผู้ใช้แต่ละคนชอบและไม่ชอบ ตัวอย่างเช่นสมมติว่ากลุ่มที่มีสามคน: ปีเตอร์เจนและแมรี่ สมมติว่าระบบจะทราบว่าบุคคลทั้งสามที่มีอยู่และรู้ที่น่าสนใจของพวกเขาในแต่ละชุดของรายการ (เช่นคลิปเพลงหรือโฆษณา) ตารางที่ 21.1 ช่วยให้การจัดอันดับเช่นในระดับ 1 (เกลียด) ถึง 10 (ชอบ) รายการที่ระบบควรแนะนำเวลาที่กำหนดสำหรับสี่รายการ?