Uuden käyttäjän kylmäkäynnistys suosittelujärjestelmissä
Partanen, Okko (2020)
2020
Tietojenkäsittelytieteiden kandidaattiohjelma - Bachelor's Degree Programme in Computer Sciences
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. Only for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2020-06-01
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202005265686
https://urn.fi/URN:NBN:fi:tuni-202005265686
Tiivistelmä
Suosittelujärjestelmät ovat sovelluksia, joiden tarkoitus on tuottaa käyttäjille suosituksia verkkopalvelun sisällöstä. Suosittelujärjestelmien yhtenä suurimpana haasteena pidetään uuden käyttäjän kylmäkäynnistämisen ongelmaa, joka viittaa tilanteeseen, jossa suosittelujärjestelmässä ei ole tietoa käyttäjän mieltymyksistä, ja personalisoitujen suosituksien tuottaminen on mahdotonta tai epätarkkaa. Tämän kirjallisuuskatsauksen tavoitteena on tarkastella uuden käyttäjän kylmäkäynnistämisen ongelmaa sekä esitellä suosittelujärjestelmät tarkemmin.
Vaikka kylmäkäynnistämisen ongelma esiintyy myös uuden sisällön yhteydessä yhteistoiminnalliseen suodattamiseen perustuvissa suosittelujärjestelmissä, uuden käyttäjän kylmäkäynnistämisen ongelma esiintyy selvästi laajemmin. Se vaivaa molempia yleisimmin käytettyjä suosittelujärjestelmien toteutustapoja: yhteistoiminnalliseen suodattamiseen ja sisältöpohjaiseen suodattamiseen perustuvia suosittelujärjestelmiä. Uuden käyttäjän kylmäkäynnistämisen ongelmasta voidaan vielä eritellä täydellisen ja epätäydellisen kylmäkäynnistämisen tilanne. Täydellisen kylmäkäynnistämisen tilanteessa järjestelmässä ei ole ollenkaan tietoa käyttäjän mieltymyksistä, epätäydellisen kylmäkäynnistämisen tilanteessa sitä on jonkin verran, mutta ei tarpeeksi optimaalisen suosittelutarkkuuden saavuttamiseksi.
Katsauksessa esitellään kirjallisuushaun perusteella tunnistettuja ratkaisuehdoituskategorioita uuden käyttäjän kylmäkäynnistämisen ongelmaan, kerrotaan niistä esimerkein ja tuodaan esiin näihin ratkaisuehdoitusmalleihin liittyviä hyötyjä ja ongelmia. Aineisto kerättiin kirjallisuushaulla Tampereen Yliopiston Andor -hakupalvelusta. Ratkaisuehdotukset tunnistettiin artikkelien abstraktin perusteella sekä tarpeen vaatiessa tarkemmalla sisällön läpikäymisellä.
Tutkimuksen pohjalta voidaan sanoa, että ratkaisuehdotuksien joukko on hyvin laaja ja ongelmaa on pyritty ratkaista monilla eri tavoilla. Suositumpia keinoja täydellisen kylmäkäynnistämisen tilanteen ratkaisemiseksi on mm. haastatteluprosessi palveluun liittyessä, kolmannen osapuolen palveluiden käyttäjästä keräämään tiedon hyödyntäminen ja käyttäjän demograafisen tiedon hyödyntäminen. Epätäydellisen kylmäkäynnistämisen tilanteessa esiin nousi mm. sisältökategoriat ylittävät suosittelutekniikat, neuraaliverkkojen hyödyntäminen ja käytössä olevien matriisifaktorisaatiotekniikoiden tehostaminen.
Vaikka kylmäkäynnistämisen ongelma esiintyy myös uuden sisällön yhteydessä yhteistoiminnalliseen suodattamiseen perustuvissa suosittelujärjestelmissä, uuden käyttäjän kylmäkäynnistämisen ongelma esiintyy selvästi laajemmin. Se vaivaa molempia yleisimmin käytettyjä suosittelujärjestelmien toteutustapoja: yhteistoiminnalliseen suodattamiseen ja sisältöpohjaiseen suodattamiseen perustuvia suosittelujärjestelmiä. Uuden käyttäjän kylmäkäynnistämisen ongelmasta voidaan vielä eritellä täydellisen ja epätäydellisen kylmäkäynnistämisen tilanne. Täydellisen kylmäkäynnistämisen tilanteessa järjestelmässä ei ole ollenkaan tietoa käyttäjän mieltymyksistä, epätäydellisen kylmäkäynnistämisen tilanteessa sitä on jonkin verran, mutta ei tarpeeksi optimaalisen suosittelutarkkuuden saavuttamiseksi.
Katsauksessa esitellään kirjallisuushaun perusteella tunnistettuja ratkaisuehdoituskategorioita uuden käyttäjän kylmäkäynnistämisen ongelmaan, kerrotaan niistä esimerkein ja tuodaan esiin näihin ratkaisuehdoitusmalleihin liittyviä hyötyjä ja ongelmia. Aineisto kerättiin kirjallisuushaulla Tampereen Yliopiston Andor -hakupalvelusta. Ratkaisuehdotukset tunnistettiin artikkelien abstraktin perusteella sekä tarpeen vaatiessa tarkemmalla sisällön läpikäymisellä.
Tutkimuksen pohjalta voidaan sanoa, että ratkaisuehdotuksien joukko on hyvin laaja ja ongelmaa on pyritty ratkaista monilla eri tavoilla. Suositumpia keinoja täydellisen kylmäkäynnistämisen tilanteen ratkaisemiseksi on mm. haastatteluprosessi palveluun liittyessä, kolmannen osapuolen palveluiden käyttäjästä keräämään tiedon hyödyntäminen ja käyttäjän demograafisen tiedon hyödyntäminen. Epätäydellisen kylmäkäynnistämisen tilanteessa esiin nousi mm. sisältökategoriat ylittävät suosittelutekniikat, neuraaliverkkojen hyödyntäminen ja käytössä olevien matriisifaktorisaatiotekniikoiden tehostaminen.