“`html
Использование когнитивных искажений для улучшения рекомендательных систем
Когнитивные искажения, ранее рассматривавшиеся как недостатки в принятии решений человеком, теперь признаются за их потенциальное положительное влияние на обучение и принятие решений. Однако в машинном обучении, особенно в системах поиска и ранжирования, изучение когнитивных искажений все еще нуждается в улучшении. Большинство исследований в области информационного поиска сосредоточены на обнаружении искажений и оценке их влияния на поведение при поиске, несмотря на несколько исследований, направленных на изучение того, как эти искажения могут влиять на обучение моделей и этичное поведение машин. Это представляет собой вызов в использовании когнитивных искажений для улучшения алгоритмов поиска, что является в значительной степени неисследованной областью, но предоставляет как возможности, так и вызовы для исследователей.
Исследование когнитивных искажений в рекомендательных системах
Существующие подходы, такие как исследования систем рекомендаций, изучили некоторые психологически обусловленные человеческие искажения, такие как эффекты первенства и последнего места в рекомендациях от сверстников, а также рисковую осторожность и искажения в принятии решений в рекомендациях продуктов. Однако подробное изучение когнитивных искажений в рекомендациях все еще не исследовано. В данной области отсутствует систематическое исследование того, как эти искажения проявляются на различных этапах процесса рекомендаций. Этот пробел удивителен, учитывая, что исследования в области систем рекомендаций часто были повлияны психологическими теориями, моделями и эмпирическими доказательствами в принятии решений человека. Это представляет собой значительную упущенную возможность использования когнитивных искажений для улучшения алгоритмов рекомендаций и пользовательских впечатлений.
Исследователи из Йоханнес-Кеплеровского университета в Линце и Линцского института технологий в Линце, Австрия, предложили комплексный подход к изучению когнитивных искажений в рекомендательной экосистеме. Это инновационное исследование исследует потенциальные доказательства этих искажений на различных этапах процесса рекомендаций и с точки зрения различных заинтересованных сторон. Исследователи сделали первые шаги к пониманию сложного взаимодействия между когнитивными искажениями и системами рекомендаций. Модели пользователей и товаров были улучшены путем оценки и использования положительных эффектов этих искажений, что привело к более эффективным алгоритмам рекомендаций и большему удовлетворению пользователей.
Исследование когнитивных искажений в системах рекомендаций проводится. Эффект положительной характеристики (FPE) анализируется в системах рекомендаций по работе с использованием набора данных из 272 объявлений о вакансиях и 336 кандидатов в 6 категориях. Обученная модель системы рекомендаций используется для прогнозирования соответствий между кандидатами и объявлениями о вакансиях, что приводит к 13 607 верным положительным и 1 625 ложным отрицательным прогнозам. Целью этого анализа было понять, как FPE влияет на рекомендации по работе. Кроме того, эффект Икеа анализируется через платформу Prolific, которая включает 100 участников из США, использующих музыкальные стриминговые сервисы. Участники ответили на 4 утверждения на шкале Ликерта-5, оценивая свои привычки в создании, редактировании и потреблении музыкальных коллекций.
Полученные результаты для FPE показывают, что удаление прилагательных из описаний вакансий увеличило ложные отрицательные прогнозы, подчеркивая важную роль описательного языка в точности рекомендаций по работе. Оценки релевантности улучшаются для 52,0% ложных отрицательных образцов, при этом 12,9% становятся верными положительными путем использования уникальных прилагательных из объявлений о вакансиях с высоким показателем полноты. Что касается эффекта Икеа, 48 из 88 участников заявили, что потребляют свои плейлисты чаще, чем другие, среднее различие составляет 0,65 (SD = 1,52) в частоте потребления. Это предпочтение самостоятельно созданного контента указывает на наличие эффекта Икеа в системах рекомендаций музыки.
В заключение, исследователи представили подробный подход к изучению когнитивных искажений в рекомендательной экосистеме. В данной статье демонстрируется наличие и влияние когнитивных искажений, таких как эффект положительной характеристики (FPE), эффект Икеа и культурная гомофилия в системах рекомендаций. Эти исследования являются основой для дальнейшего изучения в этой многообещающей области. Исследование подчеркивает важность оснащения исследователей и практиков в области систем рекомендаций для глубокого понимания когнитивных искажений и их потенциальных эффектов на протяжении всего процесса рекомендаций.
Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на нас в Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам нравится наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему сообществу в Reddit с более чем 50 тысячами подписчиков.
Вот очень рекомендуемый вебинар от нашего спонсора: “Построение производительных приложений ИИ с использованием NVIDIA NIMs и Haystack”.
Этот пост был опубликован на MarkTechPost.
Как использовать ИИ для развития вашего бизнеса
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте The Bright Side of Bias: How Cognitive Biases Can Enhance Recommendations.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358
Попробуйте AI Sales Bot https://itinai.ru/aisales Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru будущее уже здесь!
“`
