21.1 IntroductionMost work on recom

21.1 Introduction
Most work on recommender systems to date focuses on recommending items to individual users. For instance, they may select a book for a particular user to read based on a model of that user’s preferences in the past. The challenge recommender system designers traditionally faced is how to decide what would be optimal for an individual user. A lot of progress has been made on this, as evidenced by other chapters in this handbook (e.g. Chapters 2,3, 4,5 and 6).
In this chapter, we go one-step further. There are many situations when it would be good if we could recommend to a group of users rather than to an individual. For instance, a recommender system may select television programmes for a group to view or a sequence of songs to listen to, based on models of all group members. Recommending to groups is even more complicated than recommending to individuals.
Assuming that we know perfectly what is good for individual users, the issue arises how to combine individual user models. In this chapter, we will discuss how group recommendation works, what its problems are, and what advances have been made.
Interestingly, we will show that group recommendation techniques have many uses as well when recommending to individuals. So, even if you are developing recommender systems aimed at individual users you may still want to read on (perhaps reading Section 21.7 first will convince you).
This chapter focusses on deciding what to recommend to a group, in particular how to aggregate individual user models. There are other issues to consider when building a group recommender system which are outside the scope of this chapter.

In particular:
• How to acquire information about individual users’ preferences. The usual recommender techniques can be used (such as explicit ratings and collaborativeand content-based filtering, see other handbook chapters). There is a complication in that it is difficult to infer an individual’s preferences when a group uses the system, but inferences can be made during individual use combined with a probabilistic model when using it in company. An additional complication is that an individual’s ratings may depend on the group they are in. For instance, a teenager may be very happy to watch a programme with his younger siblings, but may not want to see it when with his friends.
• How will the system know who is present? Different solutions exist, such as users explicitly logging in, probabilistic mechanisms using the time of day to predict who is present, the use of tokens and tags, etc [10].
• How to present and explain group recommendations? As seen in this handbook’s chapter on explanations, there are already many considerations when presenting and explaining individual recommendations. The case of group recommendations is even more difficult. More discussion on explaining group recommendations is provided in [8] and under Challenges in our final section.
• How to help users to settle on a final decision? In some group recommenders, users are given group recommendations, and based on these recommendations negotiate what to do. In other group recommenders this is not an issue (see Section 21.2.3 on the difference between passive and active groups). An overview of how users’ decisions can be aided is provided in [8].
The next section highlights usage scenarios of group recommenders, and provides a classification of group recommenders inspired by differences between the scenarios. Section 21.3 discusses strategies for aggregating models of individual users to allow for group recommendation, what strategies have been used in existing systems, and what we have learned from our experiments in this area. Section 21.4 deals with the issue of order when we want to recommend a sequence of items.

Section 21.5 provides an introduction into the modelling of affective state, including how an individual’s affective state can be influenced by the affective states of other group members. Section 21.6 explores how such a model of affective state can be used to build more sophisticated aggregation strategies. Section 21.7 shows how group modelling and group recommendation techniques can be used when recommending to an individual user. Section 21.8 concludes this chapter and discusses future challenges.

Results (Thai) 1:

21.1 แนะนำงานส่วนใหญ่ในระบบผู้แนะนำวันที่เน้นแนะนำสินค้าให้กับผู้ใช้แต่ละ ตัวอย่าง พวกเขาอาจเลือกหนังสือที่ผู้อ่านตามรูปแบบการกำหนดลักษณะผู้ใช้ที่ในอดีต ออกแบบระบบผู้แนะนำท้าทายที่ต้องเผชิญซึ่งเป็นวิธีการตัดสินใจว่า จะเหมาะสมที่สุดสำหรับผู้ใช้ มีการทำมากความคืบหน้านี้ เป็นเป็นหลักฐานตามบทอื่น ๆ ในคู่มือนี้ (เช่นบท 2,3, 4,5 และ 6)ในบทนี้ เราไปขั้นตอนเดียวเพิ่มเติม มีหลายเมื่อมันจะดีถ้าเราแนะนำ ให้กลุ่มผู้ใช้ แทนบุคคล ตัวอย่าง ระบบผู้แนะนำอาจเลือกโปรแกรมโทรทัศน์สำหรับกลุ่มเพื่อดูลำดับของเพลงฟัง ตามรุ่นของสมาชิกกลุ่มทั้งหมด แนะนำให้กับกลุ่มจะยิ่งซับซ้อนกว่าแนะนำให้กับบุคคลสมมติว่าเรารู้อย่างสมบูรณ์สิ่งดีสำหรับผู้ใช้แต่ละ ปัญหาที่เกิดขึ้นวิธีการรวมแบบจำลองผู้ใช้ ในบทนี้ เราจะหารือเกี่ยวกับวิธีการทำงานของกลุ่มคำแนะนำ ปัญหาคืออะไร และได้ทำอะไรล่วงหน้าเป็นเรื่องน่าสนใจ เราจะแสดงให้กลุ่มเทคนิคคำแนะนำมีประโยชน์หลายอย่างเช่นแนะนำให้กับบุคคล ดังนั้น ถ้าคุณมีการพัฒนาระบบผู้แนะนำผู้ อาจยังคงต้องอ่าน (บางทีอ่าน 21.7 ส่วนแรกจะมั่นใจคุณ)Focusses บทนี้ในการตัดสินใจที่จะแนะนำกลุ่ม โดยเฉพาะอย่างยิ่งวิธีการรวมแบบจำลองผู้ใช้ มีปัญหาอื่น ๆ ควรพิจารณาเมื่อสร้างระบบกลุ่มผู้แนะนำซึ่งอยู่นอกขอบเขตของบทนี้โดยเฉพาะอย่างยิ่ง:•วิธีการได้รับข้อมูลเกี่ยวกับการกำหนดลักษณะ สามารถใช้เทคนิคปกติผู้แนะนำ (เช่นอันดับที่ชัดเจนและเนื้อหาตาม collaborativeand กรอง ดูบทคู่มืออื่น ๆ) มีอาการแทรกซ้อนที่เป็นเรื่องยากที่จะเข้าใจลักษณะของบุคคลเมื่อกลุ่มใช้ระบบ แต่ inferences ได้ระหว่างแต่ละตัวใช้ร่วมกับแบบจำลอง probabilistic เมื่อใช้ในบริษัท มีภาวะแทรกซ้อนเพิ่มเติมได้ที่การจัดอันดับของแต่ละบุคคลอาจขึ้นอยู่กับกลุ่มที่อยู่ใน ตัวอย่าง วัยรุ่นอาจมีความสุขมากไปชมโครงการกับพี่น้องเขาอายุน้อยกว่า แต่อาจไม่ต้องการเห็นมันกับเพื่อนของเขา•จะระบบรู้ที่อยู่หรือไม่ โซลูชั่นที่แตกต่างกันอยู่ เช่นชัดเจนเข้าสู่ระบบ กลไก probabilistic ใช้เวลาที่การทำนายที่เป็นปัจจุบัน การใช้โทเคนและแท็ก ฯลฯ [10]•วิธีการนำเสนอ และอธิบายกลุ่มคำแนะนำ เห็นในบทนี้คู่มือคำอธิบาย มีแล้วหลายข้อควรพิจารณาเมื่อนำเสนอ และอธิบายแต่ละคำแนะนำ กรณีของกลุ่มคำแนะนำได้ยากยิ่ง อภิปรายเพิ่มเติมในการอธิบายกลุ่มคำแนะนำไว้ใน [8] และภาย ใต้ความท้าทายในส่วนสุดท้ายของเรา•วิธีการการจ่ายเงินในการตัดสินใจขั้นสุดท้ายหรือไม่ ในบางกลุ่ม recommenders ผู้ให้คำแนะนำกลุ่ม และตามเหล่านี้แนะนำเจรจาไม่ ใน recommenders กลุ่มอื่นๆ นี่ไม่ใช่ประเด็น (ดูส่วน 21.2.3 ในความแตกต่างระหว่างกลุ่มที่ใช้งานอยู่ และแฝง) ภาพรวมของวิธีสามารถช่วยตัดสินใจของผู้ใช้ไว้ใน [8]ส่วนถัดไปเน้นการใช้สถานการณ์ของกลุ่ม recommenders และการจัดประเภทของกลุ่ม recommenders บันดาลใจจากความแตกต่างระหว่างสถานการณ์ 21.3 ส่วนกล่าวถึงกลยุทธ์ในการรวบรวมรูปแบบของผู้ให้คำแนะนำกลุ่ม มีการใช้กลยุทธ์ใดในระบบที่มีอยู่ และสิ่งที่เราได้เรียนรู้จากการทดลองของเรานี่ 21.4 ส่วนเกี่ยวข้องกับปัญหาของใบสั่งเมื่อเราต้องการแนะนำลำดับของสินค้าส่วน 21.5 แสดงบทนำในการสร้างแบบจำลองผลรัฐ รวมทั้งวิธีของแต่ละรัฐผลสามารถรับอิทธิพลจากอเมริกาผลของสมาชิกคนอื่น ๆ ส่วน 21.6 สำรวจวิธีการใช้เช่นแบบจำลองผลรัฐสร้างกลยุทธ์รวมความซับซ้อนมากขึ้น 21.7 ส่วนแสดงวิธีสร้างกลุ่มแบบจำลองและเทคนิคแนะนำกลุ่มสามารถใช้แนะนำให้กับผู้ใช้ 21.8 ส่วนสรุปบทนี้ และกล่าวถึงความท้าทายในอนาคต

Results (Thai) 2:

21.1 บทนำ
ส่วนใหญ่ทำงานในระบบ recommender วันที่มุ่งเน้นไปที่รายการที่จะแนะนำผู้ใช้แต่ละคน ตัวอย่างเช่นพวกเขาอาจเลือกเป็นหนังสือสำหรับผู้ใช้โดยเฉพาะอย่างยิ่งที่จะอ่านตามรูปแบบของการตั้งค่าของผู้ใช้ที่อยู่ในอดีตที่ผ่านมา ความท้าทายที่ผู้ออกแบบระบบ recommender ต้องเผชิญกับประเพณีที่เป็นวิธีการที่จะตัดสินใจว่าจะเป็นที่ดีที่สุดสำหรับผู้ใช้แต่ละคน ความคืบหน้ามากได้รับการทำเกี่ยวกับเรื่องนี้เป็นหลักฐานจากบทอื่น ๆ ในคู่มือนี้ (เช่นบทที่ 2,3, 4,5 และ 6).
ในบทนี้เราจะไปหนึ่งขั้นตอนต่อไป มีหลาย ๆ สถานการณ์เมื่อมันจะดีถ้าเราสามารถแนะนำให้กลุ่มของผู้ใช้มากกว่าที่จะเป็นของแต่ละบุคคล ยกตัวอย่างเช่นระบบ recommender อาจเลือกรายการโทรทัศน์สำหรับกลุ่มเพื่อดูหรือลำดับของเพลงที่จะฟังขึ้นอยู่กับรูปแบบของสมาชิกทุกคนในกลุ่ม แนะนำกลุ่มจะยิ่งซับซ้อนมากขึ้นกว่าการแนะนำให้กับประชาชน.
สมมติว่าเรารู้ได้อย่างสมบูรณ์แบบในสิ่งที่เป็นสิ่งที่ดีสำหรับผู้ใช้แต่ละปัญหาที่เกิดขึ้นวิธีการรวมรูปแบบการใช้งานของแต่ละบุคคล ในบทนี้เราจะพูดถึงวิธีการทำงานกลุ่มคำแนะนำสิ่งที่เป็นปัญหาและสิ่งที่ก้าวหน้าได้รับการทำ.
ที่น่าสนใจเราจะแสดงให้เห็นว่าเทคนิคคำแนะนำของกลุ่มมีประโยชน์หลายอย่างเช่นกันเมื่อแนะนำให้กับประชาชน ดังนั้นแม้ว่าคุณจะมีการพัฒนาระบบ recommender มุ่งเป้าไปที่ผู้ใช้แต่ละคนคุณยังอาจต้องการที่จะอ่านบน (อาจจะอ่านมาตรา 21.7 แรกที่จะโน้มน้าวให้คุณ).
ในบทนี้จะเน้นในการตัดสินใจว่าจะแนะนำให้กลุ่มโดยเฉพาะอย่างยิ่งวิธีการที่จะรวมผู้ใช้แต่ละคน รุ่น มีปัญหาอื่น ๆ ที่จะต้องพิจารณาเมื่อมีการสร้างกลุ่มระบบ recommender ซึ่งอยู่นอกขอบเขตของบทนี้เป็น. โดยเฉพาะอย่างยิ่ง: •วิธีการที่จะได้รับข้อมูลเกี่ยวกับการตั้งค่าของผู้ใช้แต่ละคน ' เทคนิค recommender ปกติสามารถนำมาใช้ (เช่นการจัดอันดับอย่างชัดเจนและการกรองเนื้อหาตาม collaborativeand ให้ดูบทคู่มืออื่น ๆ ) มีภาวะแทรกซ้อนในการที่จะเป็นเรื่องยากที่จะสรุปการตั้งค่าของแต่ละบุคคลเมื่อกลุ่มใช้ระบบ แต่ข้อสรุปที่สามารถทำได้ระหว่างการใช้งานของแต่ละบุคคลรวมกับรูปแบบความน่าจะเป็นเมื่อใช้มันใน บริษัท เป็น ภาวะแทรกซ้อนเพิ่มเติมคือการจัดอันดับของแต่ละบุคคลอาจขึ้นอยู่กับกลุ่มพวกเขาอยู่ใน. เช่นวัยรุ่นอาจจะมีความสุขมากที่จะดูโปรแกรมที่มีน้องเขา แต่อาจไม่ต้องการที่จะเห็นมันเมื่อมีเพื่อน ๆ ของเขา. •จะทำอย่างไร ระบบรู้ว่าใครเป็นปัจจุบัน? การแก้ปัญหาที่แตกต่างกันอยู่เช่นผู้ใช้อย่างชัดเจนในการเข้าสู่ระบบกลไกที่ใช้น่าจะเป็นช่วงเวลาของวันที่จะคาดการณ์ที่เป็นปัจจุบันการใช้สัญญาณและแท็ก ฯลฯ [10]. •วิธีการที่จะนำเสนอและอธิบายคำแนะนำกลุ่ม? เท่าที่เห็นในหนังสือคู่มือบทนี้ในคำอธิบายที่มีการพิจารณาจำนวนมากอยู่แล้วเมื่อนำเสนอและอธิบายคำแนะนำของแต่ละบุคคล กรณีที่มีการให้คำแนะนำกลุ่มจะยิ่งยากมากขึ้น อภิปรายอธิบายเพิ่มเติมเกี่ยวกับคำแนะนำของกลุ่มที่ระบุไว้ใน [8] และภายใต้ความท้าทายในส่วนสุดท้ายของเรา. •วิธีการที่จะช่วยให้ผู้ใช้สามารถตั้งอยู่บนการตัดสินใจครั้งสุดท้าย? ในบาง Recommenders กลุ่มผู้ใช้จะได้รับข้อเสนอแนะกลุ่มและตามคำแนะนำเหล่านี้เจรจาต่อรองว่าจะทำอย่างไร ใน Recommenders กลุ่มนี้ไม่เป็นปัญหา (ดูมาตรา 21.2.3 กับความแตกต่างระหว่างกลุ่ม passive และ active) ภาพรวมของการตัดสินใจว่าผู้ใช้สามารถช่วยให้ไว้ใน [8]. ไฮไลท์ส่วนถัดไปสถานการณ์การใช้งานของ Recommenders กลุ่มและมีการจัดหมวดหมู่ของกลุ่ม Recommenders แรงบันดาลใจจากความแตกต่างระหว่างสถานการณ์ มาตรา 21.3 กล่าวถึงกลยุทธ์ในการรวมรูปแบบของผู้ใช้แต่ละคนเพื่อให้คำแนะนำกลุ่มกลยุทธ์สิ่งที่มีการใช้ในระบบที่มีอยู่และสิ่งที่เราได้เรียนรู้จากการทดลองของเราในพื้นที่นี้ มาตรา 21.4 ที่เกี่ยวข้องกับปัญหาของการสั่งซื้อเมื่อเราต้องการที่จะแนะนำลำดับของรายการ. มาตรา 21.5 ให้การแนะนำในการสร้างแบบจำลองของรัฐอารมณ์รวมถึงวิธีรัฐอารมณ์ของแต่ละบุคคลสามารถได้รับอิทธิพลจากรัฐอารมณ์ของสมาชิกในกลุ่มอื่น ๆ มาตรา 21.6 สำรวจวิธีการดังกล่าวเป็นรูปแบบของรัฐอารมณ์สามารถนำมาใช้ในการสร้างกลยุทธ์การรวมความซับซ้อนมากขึ้น มาตรา 21.7 แสดงให้เห็นว่าการสร้างแบบจำลองและเทคนิคกลุ่มคำแนะนำของกลุ่มสามารถใช้เมื่อจะแนะนำผู้ใช้แต่ละคน มาตรา 21.8 สรุปบทนี้และกล่าวถึงความท้าทายในอนาคต

Results (Thai) 3:

21.1 บทนำ
ส่วนใหญ่ทำงานบนระบบแนะนำวันที่มุ่งเน้นการแนะนำรายการที่ผู้ใช้แต่ละคน . ตัวอย่างเช่นพวกเขาอาจจะเลือกหนังสือสำหรับผู้ใช้โดยเฉพาะ อ่านตามแบบที่ผู้ใช้ชอบในอดีต ความท้าทายการแนะนำระบบออกแบบดั้งเดิมเผชิญเป็นวิธีการที่จะตัดสินใจว่า จะเหมาะสมที่สุดสำหรับผู้ใช้แต่ละมากคืบหน้าแล้วนี้เป็นหลักฐานโดยบทอื่นในเล่มนี้ ( เช่น บทที่ 2 , 3 , 4 , 5 และ 6 ) .
ในบทนี้ เราจะไปหนึ่งขั้นตอนเพิ่มเติม มีหลาย ๆสถานการณ์เมื่อมันคงจะดีถ้าเราสามารถแนะนำไปยังกลุ่มผู้ใช้มากกว่าตัวบุคคล สำหรับอินสแตนซ์ระบบแนะนำอาจเลือกรายการโทรทัศน์สำหรับกลุ่มที่จะดู หรือลำดับของเพลงที่ฟัง ตามรูปแบบของสมาชิกทุกคนในกลุ่ม แนะนำกลุ่มที่ซับซ้อนมากขึ้นกว่าที่แนะนำให้กับประชาชน . . . . . .
สมมติว่าเรารู้อยู่ว่าอะไรดีสำหรับผู้ใช้แต่ละปัญหาที่เกิดขึ้นวิธีการรวมรุ่นของผู้ใช้แต่ละคน ในบทนี้เราจะหารือถึงวิธีการทำงานกลุ่ม แนะนำ สิ่งที่เป็นปัญหาอยู่ และสิ่งที่ก้าวหน้าได้รับการทำ .
แต่เราจะแสดงให้เห็นว่าเทคนิคแนะนำกลุ่ม ใช้ประโยชน์ได้มากมายเช่นเมื่อแนะนำให้กับบุคคล ดังนั้นแม้ว่าคุณจะพัฒนาระบบแนะนำมุ่งเป้าไปที่ผู้ใช้แต่ละคน คุณยังอาจต้องการที่จะอ่าน ( อาจจะอ่านส่วนแรกและจะโน้มน้าวให้คุณ
)บทนี้ focusses ในการตัดสินใจว่า จะขอแนะนำที่จะมีกลุ่มโดยเฉพาะวิธีการรวมรุ่นของผู้ใช้แต่ละคน มีปัญหาอื่น ๆที่จะต้องพิจารณาเมื่อมีการสร้างกลุ่มผู้แนะนำระบบซึ่งอยู่นอกเหนือขอบเขตของบทนี้

โดยเฉพาะ :
- วิธีที่จะได้รับข้อมูลเกี่ยวกับการตั้งค่าของผู้ใช้แต่ละคนเทคนิคแนะนำปกติสามารถใช้ ( เช่นการจัดอันดับอย่างชัดเจนและ collaborativeand เนื้อหาการกรองเห็นบทคู่มืออื่น ๆ ) มีภาวะแทรกซ้อนในว่ามันเป็นเรื่องยากที่จะอนุมานความชอบของแต่ละคน เมื่อกลุ่มใช้ระบบ แต่อนุมานได้ในระหว่างการใช้บุคคลรวมกับแบบจำลองความน่าจะเป็นเมื่อใช้ในบริษัทเป็นภาวะแทรกซ้อนเพิ่มเติมคือ คะแนนของแต่ละคน อาจจะขึ้นอยู่กับกลุ่มที่พวกเขาอยู่ใน ตัวอย่าง วัยรุ่นอาจมีความสุขดูรายการ กับน้องของเขา แต่อาจจะไม่ต้องการเห็นมันเมื่อเพื่อนของเขา
- ระบบจะรู้ว่าใครอยู่ ? โซลูชั่นที่แตกต่างกันอยู่ เช่น ผู้ใช้อย่างชัดเจนในการล็อคอินกลไกการใช้เวลาของวันทำนายที่ปัจจุบันใช้สัญญาณและแท็ก ฯลฯ [ 10 ] .
- วิธีที่จะนำเสนอและอธิบายแนะนำกลุ่ม ? เท่าที่เห็นในคู่มือบทในคำอธิบาย แล้วมีหลายข้อควรพิจารณาเมื่อเสนอและอธิบายแนะนำเป็นรายบุคคล กรณีแนะนำกลุ่มยิ่งยากขึ้นไปอีกอภิปรายเพิ่มเติมเกี่ยวกับอธิบายแนะนำกลุ่มไว้ใน [ 8 ] และภายใต้ความท้าทายในส่วนสุดท้ายของเรา .
- วิธีที่จะช่วยให้ผู้ใช้เพื่อจัดการกับการตัดสินใจครั้งสุดท้าย ? ในบาง recommenders กลุ่ม ผู้ใช้จะได้รับข้อเสนอแนะของกลุ่มและตามคำแนะนำเหล่านี้เจรจาจะทำอย่างไร ใน recommenders กลุ่มอื่น ๆ นี้ไม่ได้เป็นปัญหา ( ดูมาตรา 5.0 .3 ความแตกต่างระหว่าง passive และ active กลุ่ม ) ภาพรวมของการตัดสินใจของผู้ใช้สามารถช่วยให้ใน [ 8 ] .
ส่วนถัดไปไฮไลท์การใช้สถานการณ์ของกลุ่ม recommenders และมีการจำแนกกลุ่ม recommenders แรงบันดาลใจจากความแตกต่างระหว่างสถานการณ์ มาตรา 213 กล่าวถึงกลยุทธ์ร่วมกันรูปแบบของผู้ใช้แต่ละคนเพื่อให้คำแนะนำกลุ่ม สิ่งที่กลยุทธ์ที่ได้รับการใช้ในระบบที่มีอยู่ และสิ่งที่เราได้เรียนรู้จากการทดลองของเราในพื้นที่นี้ ส่วนที่เกี่ยวข้องกับปัญหาของการรับ เมื่อเราต้องการแนะนำลำดับของรายการ

ส่วน 21.5 มีคำนำในการจำลองสภาพอารมณ์สภาพของแต่ละคน รวมถึงอารมณ์ที่สามารถได้รับอิทธิพลจากทางรัฐของสมาชิกในกลุ่มอื่น ๆ มาตราเกี่ยวกับการสํารวจเป็นรูปแบบของรัฐ ) สามารถใช้ในการสร้างกลยุทธ์การรวมที่ซับซ้อนมากขึ้น ส่วนและแสดงวิธีแบบกลุ่มและเทคนิคแนะนำกลุ่มสามารถใช้เมื่อแนะนำให้กับผู้ใช้แต่ละคน มาตรา 218 สรุปบทนี้และอธิบายถึงความท้าทายในอนาคต