W poprzednich sekcjach omówiliśmy podstawy modelowania zaufania, argumentacji i ich roli w RS. W tym dziale chcemy dać czytelnikowi przedsmak nowych kierunków badań w obszarze argumentacji i systemów rekomendacji opartych na zaufaniu. Z pewnością nie jest to pełny przegląd, ale raczej wybór ostatnich wydarzeń w tej dziedzinie. W szczególności omówimy pokrótce następujące kwestie: wizualizacja relacji zaufania i ataków argumentowych w RS, złagodzenie problemu zimnego startu w sieci zaufania RS poprzez użycie argumentacji, badanie efektu zaangażowania argumentacji w proces rekomendacji i zbadania potencjału wpływów społecznych na agentów w systemie wieloagentowym. Parsons i inni, że problem zimnego startu użytkownika można złagodzić, włączając wymianę informacji w drodze argumentacji między użytkownikami. Pokazali, że nowi użytkownicy mogą skorzystać na rozumowaniu i propagowaniu wartości zaufania za pomocą argumentów. Może to być przydatne, aby uzyskać dobre rekomendacje z systemu. Jednak Victor wykazał, że użytkownicy zimnego startu w klasycznym sensie (którzy ocenili tylko kilka pozycji) są bardzo często również użytkownikami zimnego startu w sensie zaufania. W związku z tym należy zachęcać nowych użytkowników do komunikowania się z innymi użytkownikami poprzez argumentację i interakcję agentów, aby jak najszybciej rozszerzyć sieć zaufania, ale wybór, z kim chcą się połączyć, jest często trudnym zadaniem. Biorąc pod uwagę wpływ tego wyboru na dostarczone zalecenia, niezwykle ważne jest, aby przeprowadzić nowoprzybyłych przez ten wczesny etap procesu łączenia. Problem ten jest rozwiązywany poprzez identyfikację użytkowników o podobnych gustach. Autorzy pokazują, że dla użytkownika z zimnym startem połączenie z jednym ze zidentyfikowanych podobnych użytkowników jest znacznie korzystniejsze niż włączenie losowo wybranego użytkownika, zarówno pod względem zasięgu, jak i trafności generowanych rekomendacji. ”Donovan przedstawił PeerChooser, nową procedurę wizualizacji opartego na zaufaniu zespołowego filtrowania RS. Dokładniej, PeerChooser wizualizuje zarówno informacje pochodzące z tradycyjnej miary podobieństwa współczynnika korelacji Pearsona (PCC), jak i informacje pochodzące z bazowej przestrzeni zaufania generowanej na podstawie danych ratingowych. Jedną z głównych cech systemu jest możliwość wydobywania informacji o zaufaniu bezpośrednio od użytkownika w momencie rekomendacji. Odbywa się to poprzez przesuwanie określonych ikon (reprezentujących użytkowników w systemie) w interaktywnym interfejsie. W ten sposób użytkownik może wskazać swój nastrój i preferencje, aktywnie dostarczając w ten sposób informacji o zaufaniu w czasie rzeczywistym. Można to dalej zaimprowizować, jeśli użytkownicy mają środki wizualizacji rozumowania poza zaufaniem do danego źródła. W tym kierunku narzędzia do wizualizacji argumentów mogą powodować argumenty o wyższej jakości, krytyczną dyskusję lub spójne argumenty. Biorąc pod uwagę fakt, że najbardziej krytyczne wyniki przeglądowe autorów wskazują w tym samym kierunku, autorzy uważają, że rozsądne jest założenie, że te narzędzia mają pozytywny wpływ na umiejętności argumentacji użytkowników, a tym samym mogą zwiększyć siłę perswazji systemu. Jednak wiele pozostaje do zrobienia, ponieważ do tej pory eksperymenty nie były w stanie dostarczyć znaczących dowodów na korzyści płynące z narzędzi do wizualizacji argumentów w systemach wsparcia użytkowników.
Istnieją również inne sposoby ustanowienia relacji zaufania, gdy informacje nie są wyraźnie podane przez użytkowników. Można skorzystać z kilku źródeł danych społecznościowych, takich jak znajomi online i sieci biznesowe (na przykład Facebook lub LinkedIn), komunikacja e-mailowa, systemy reputacji itp. Potencjalnie wszystkie te źródła danych społecznościowych można włączyć do ( trustenhanced) RS, ale jak dotąd nie przeprowadzono wielu badań w celu ustalenia, które z nich będą najbardziej przydatne i czy źródła te dałyby podobne wyniki, jak podejścia oparte na rekomendacjach oparte na zaufaniu omówione w tym rozdziale. Arazy i inni zajmują się tym problemem i argumentują, że projekt takich rekomendacji społecznych powinien opierać się na teorii, a nie na dokonywaniu doraźnych wyborów projektowych, jak to często ma miejsce w obecnych algorytmach. Innym ostatnim kierunkiem badawczym o zupełnie innym charakterze jest badanie potencjału braku zaufania do RS opartych na zaufaniu. Podczas gdy w domenie modelowania zaufania podjęto tylko kilka prób wprowadzenia nieufności, w domenie rekomendującej jest to jeszcze mniej. Wynika to z kilku powodów, z których najważniejszym jest to, że dostępnych jest bardzo niewiele zbiorów danych zawierających informacje o nieufności i nie ma jeszcze ogólnego konsensusu co do tego, jak je propagować i wykorzystywać do celów rekomendacji, stąd większość prac woli połączyć te dwa elementy (zaufanie i nieufność). Badane są trzy strategie nieufności. Dwie pierwsze strategie opierają się na założeniu, że zaufanie można wykorzystać do wybrania podobnych użytkowników (sąsiadów) we współpracujących systemach filtrujących, podczas gdy druga strategia sugeruje przyjęcie nieufności jako filtru przy wyborze sąsiadów i wygląda również bardziej obiecująco. Jasne jest jednak, że wiele pozostaje do zrobienia w tej wyłaniającej się dziedzinie badań, zanim będzie można dojść do bardziej precyzyjnych wniosków.
Wniosek
Przedstawiliśmy wprowadzenie do obszaru badawczego polegającego na modelowaniu zaufania i nieufności za pomocą argumentacji. Zilustrowaliśmy, w jaki sposób można włączyć to podejście do rozumowania agentów, aby poprawić wydajność klasycznych RS. Aplikacje rekomendujące, które utrzymują sieć zaufania wśród swoich użytkowników, mogą skorzystać na strategiach propagowania zaufania, które okazały się przynosić wartość dodatkową, podczas gdy w przypadkach, gdy nie jest możliwe natychmiastowe zebranie jawnych oświadczeń zaufania, wydają się metody, które są w stanie automatycznie obliczyć wartości zaufania. za najbardziej idealne rozwiązanie. Technologie argumentacji są obiecującymi narzędziami w miejscach, w których autonomiczni agenci mogą wspierać ludzi w podejmowaniu decyzji, a tym samym usprawniać automatyzację. Agenci mogą pomóc swoim użytkownikom w znalezieniu najbardziej opłacalnego wyboru (rekomendacji) ze wszystkich, aby podjąć odpowiednią decyzję. Zwłaszcza w systemie rekomendacji opartym na argumentacji argumenty wysuwane w celu przekonania się nawzajem do produktu nie są wynikiem odosobnionej analizy, ale całościowego spojrzenia na problem, z którym chcemy się zgodzić. W tej pracy użyliśmy argumentacji do obsługi zaufania i odwrotnie. Cecha wykorzystywania wpływu zaufania na argumentację zapewniła użyteczną wszechstronność problemu rozumowania podmiotów autonomicznych. Integracja ta umożliwiła użytkownikowi podejmowanie przemyślanych decyzji, które były oparte na wiarygodnych zaleceniach.