没有合适的资源?快使用搜索试试~ 我知道了~
International Journal of Information Management Data Insights 2(2022)100139如何将上下文感知人工智能算法用于合适的推荐系统?文献回顾和研究议程Parvathy Venkatachalam,Sanjog Ray印度管理学院印度aRT i cL e i nf o保留字:健身应用情境感知算法推荐系统新兴技术人工智能a b sTR a cT推荐系统(RS)帮助用户在决策过程中,当有一个问题的丰富或缺乏的信息。上下文感知推荐系统(CARS)引入了上下文信息来提高推荐系统的效率。以前的工作CARS算法和报告的应用领域进行了比较。然而,在CARS的实施与技术进步所涉及的实际挑战还没有得到充分的审查。我们选择fitness作为应用领域,因为用户采用率越来越高,而且复杂性很高。它涉及多维上下文的动态相互作用和上下文属性的技术进步,并在上下文检测过程中引入机器学习算法。我们进行文本分析,并进行系统的审查,以确定发展。概念图展示了上下文的组成部分,所采用的方法,以及AI技术在算法中放大上下文的作用。该文件确定了挑战,并提出了研究机会。1. 介绍体能指个人 近年来,由于健康疾病、久坐不动的生活方式、肥胖问题和工作-生活不平衡的增加,已经出现了将身体活动作为常规的新兴趋势(Guan等人,2020年)。体力活动(Caspersen等人,1985)被定义为“任何需要消耗能量的肌肉产生的身体运动。“因工作、休闲、运动、通勤等而产生的运动可以归类为体力活动。体育锻炼被视为身体活动的一个子集,是一种更有组织、有计划、有指导、有目的的训练。2020年,世界卫生组织(WHO)发布了一份关于全球身体活动水平的情况说明书(《身体活动,2021》),其中指出28%的成年人口活动不足。 作为可持续发展目标(SDG 2030)议程的一部分,世卫组织定义了将身体活动减少15%的目标。 世卫组织建议其成员国投资于技术、创新和研究,以增加可支配资源较少的身体活动。在这些条件下,用于管理适应性域的技术或软件的有效性变得至关重要。在数字时代,通过社交网络,各种活动(通过健身)和饮食要求(营养专家)等信息过载。世界经济论坛(WEF)关于全球健身移动应用市场的报告(Ang,2021)显示,在COVID-19疫情爆发后,由于封锁和互联网渗透率的提高,锻炼和锻炼应用程序的使用率上升了约46%。这种模式也表明意识的提高,因此需要推荐适当活动的应用程序(Guo Fussel,2022)。在这种情况下,通过特定于用户的身体活动的适应性的上下文和相关性是充足的,并且充足的问题可以通过推荐系统(RS)来解决。推荐系统旨在预测用户对产品或服务的偏好,而无需与用户直接交互(Kunaver& Pozrl,2017)。通常,推荐模型通过分析用户过去的数据,确定他们的使用模式,并将其与现有用户的使用模式进行比较,以提出最合适的产品或服务。新兴技术及其通过移动应用、物联网(IoT)和社交网络的存在已经转变为推荐系统的应用介质(Rosi等人,2011年)。然而,当数据稀少或缺乏相关性时,这些建议就显得不够有效。预计技术进步和上下文感知算法的应用将提高准确性(AdomaviciusTuzhilin,2011)并减轻这些困难。在这项研究中,我们将重点关注健身或体育活动的背景-感知推荐系统。那么,为什么适应性应用程序需要上下文感知呢?今天,许多国家正在积极追求成为体育国家的目标。对于一个被称为体育国家的国家来说,它必须优先考虑健康和身体健康,以建立一个体育国家。*通讯作者。电子邮件地址:ef20parvathyv@iimidr.ac.in(P. Venkatachalam)。https://doi.org/10.1016/j.jjimei.2022.100139接收日期:2022年5月17日;接收日期:2022年11月8日;接受日期:2022年11月8日2667-0968/© 2022作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)可在ScienceDirect上获得目录列表国际信息管理数据见解期刊主页:www.elsevier.com/locate/jjimeiP. Venkatachalam和S. 射线International Journal of Information Management Data Insights 2(2022)1001392文化和培养其人口的体育意识(李峰,2022)。随着互联网的日益普及和移动应用程序的迅速采用,预计体育文化将得到发展。因此,需要一个相关的推荐系统的增长。因此,该推荐系统的主要目标是以更高的准确性预测用户偏好。教师或培训师为用户提供的舒适度(Ziv Lidor,2009)以及位置、用户类别和环境的动态变化增强了推荐系统的有效性。例如,情境信息在情境上随同一用户而变化(对位置中的锻炼的偏好(例如:健身房)根据心情或时间而变化)。除了这些因素之外,用户类别(专业或非专业,个人或团体),文化依赖性(Dara等人,2019;Nowak,2013),以及与营养或音乐或运动服装等交叉领域的互补互动,以提高准确性和相关建议。 此外,健身爱好者的技术采用,如基于物联网的可穿戴设备、移动设备、数字应用程序和社交网络,提高了数据驱动的效率。建议(Kos等人, 2019年)。 因此,实施rec-集成了上下文感知的命令系统正日益成为所有健身应用的骨干。在学术研究中,上下文感知推荐系统(CARS)算法被视为人工智能(AI)的一部 分 , 特 别 是 机 器 学 习 ( ML ) ( Del Carmen Rodrguez-HernándezIlarri,2021),因为越来越多的AI技术在内部应用于推荐引擎的处理算法中。尽管CARS在适应性领域、对社会的益处或挑战以及该系统的创新潜力方面具有实际优势,但在这一领域的研究一直很少 在适应性应用中,上下文可以是静态的或动态的(Villegas等人, 2018),CARS在该领域的数据驱动应用的重要性需要研究。此外,越来越多的健身应用程序的采用导致了涉及数据所有权、信息共享和隐私问题等的社会挑战。这些问题可能成为数据驱动应用程序创新的障碍。到目前为止,学术界的焦点一直集中在移动健身应用程序(LiuAvello,2021)上,以了解应用程序采用的影响、健康变化和健康影响。另一方面,在当代管理文献中,RS中的接触意识已经在不同的应用领域中进行了探索,例如数字学习(Champiri等人,2015;Verbert等人,2012)、电影、音乐、旅游(Renjith等人,2020年,电子商务等。在这些研究中,上下文维度与各自的域映射。类似地,先前的计算研究已经探索了算法在运动领域中的效率或专注于用户与设备的交互(Kranz等人,2013年)。作为上下文的技术(Del Carmen Rodríguez-Hernández Ilarri,2021年)有助于上下文感知计算以实现更高的准确性。但是技术、算法与人工智能技术以及社会影响的相互作用在信息系统中,适应性领域的研究不足,文学(Literature)。此外,信息系统研究需要识别-为各个领域提供有效的上下文信息,揭示了必须考虑以改进CARS的新挑战(Champiri等人,2015; Yujie& Licai,2010)。因此,有必要绘制研究景观,以了解在与社会和技术密切相关的复杂领域(如适应性)中应用上下文感知算法的进展和挑战。综合框架可以是未来研究的基础,可以在任何领域的IS研究与社会技术的角度发展。据我们所知,在此之前,没有对这一主题进行文献计量分析和定性综合。本研究的主要研究问题是RQ1。“什么是标准--在合适的推荐系统中应用采用人工智能技术和新兴技术的上下文感知算法的时间?通过研究问题,我们将尝试捕捉各种情境感知方法,这些方法在推荐或预测用户的活动。这有助于捕捉上下文感知推荐系统中的文献现状,重点是CARS应用中采用的AI技术。下一个问题是RQ2。“未来研究的新趋势、挑战和方向是什么?”我们确定了潜在的挑战和研究机会。我们采用两个阶段的方法来绘制研究景观。我们进行了文献计量分析,并介绍了以前文献分析中采用的研究景观和新兴主题(Champiri等人,2015年)。先前的研究Kushwaha et al.(2021)采用了系统性文献综述(SLR)来了解研究领域的新兴趋势。通过SLR,我们对上下文感知推荐系统在适应性领域的应用进行了分类,并开发了一个概念图。我们确定了挑战和未来的研究议程。第1节介绍了本文的背景,进一步的章节组织如下:第2节解释了用于选择分析身体活动推荐系统的论文的方法,第3节包含了相关的工作和现有的调查研究推荐系统上下文感知第4节和第5节展示了定量和文本分析的出版作品的主题。第6节介绍了在身体活动推荐系统中使用上下文的文学作品的发现。第7节解释了基于分析文献综述中出现的主题进一步讨论的结果的解释。最后,文章总结了在适应性和背景下面临的挑战和未来的研究议程感知推荐系统。2. 推荐系统推荐系统(RS)是基于目的的算法(表1),例如(a)基于用户的建模方法(人口统计,基于内容,协作过滤,混合,知识)(Raza&Ding,2019;Villegas等人,2018)和(b)预测建模算法方法(贝叶斯分类器,KNN,决策树等)(Kunaver& Pozrl,2017)。首先,推荐系统关注与用户和项目相关的维度。算法的处理通过将项目映射到用户和项目的用户偏好来包括项目。这些可以通过评论和评级来明确,也可以从用户交互中间接推断。基于内容的方法查看用户的过去概况及其使用以呈现空间的新表示(Villegas等人,2018年)。在基于内容的系统中,具有相似特征的项目信息的属性被相关以计算相似性(Wu等人,2014年)。该模型根据用户交互不断更新。这种方法的缺点是,它倾向于处理明确的用法,而不向最终用户建议补充要求。基于内容的RS包括描述项目的维度(表1)。另一方面,协作过滤使用用户社区的相似性度量。用户偏好的相关性和相似性基于偏好模式被收集和推荐(Villegas等人,2018年)。在这种情况下,更多的用户数量和更多的数据点或评级有助于提高推荐的准确性。类似地,社交网络的作用在RS中越来越高,例如基于社区的协作过滤(Shah等人,2010)和主题建模协作过滤(Rajendran&Sundarraj,2021),以提供个性化的推荐。近年来,混合RS常被用于将各种算法结合起来确定合适的项目。混合算法结合了两种方法以减轻用户问题并优化处理(Ben Sassi等人,2017; Paradarami等人,2017年)。基于知识的RS依赖于满足用户(Ricci等人, 2010),并且是基于内容的方法的子类型。有一些基于社区的RS,可以查看属于协作过滤方法的用户配置文件的相似性。先前的研究观察到,“上下文”敏感性的额外维度可以使建议更可信,更相关,P. Venkatachalam和S. 射线International Journal of Information Management Data Insights 2(2022)1001393表1推荐系统的类型。RS类型评级作为一个功能描述人口User profile基于性别、年龄、民族、身高、体重等生理数据。基于内容用户和项基于用户过去喜欢的项目的相似性。方法包括树或页算法,潜在语义分析(LSA)。协作或社交过滤用户和项基于相似用户也喜欢的项目。使用的方法包括k-最近,k-近邻分类器,聚类技术,关联规则挖掘。实用短期关注的用户和项目,如节日或节日将项目的效用映射到用户,不建立长期的历史观察知识用户和项目及其与用户的用户配置文件有助于推断用户偏好,项目的功能知识有助于将其映射到偏好。混合用户和项上述组合-上下文感知用户、项目和上下文背景作为决定性和额外的过滤因素机器学习项目评级预测收视率并用于改进推荐算法跨域源域(用户和项)联合或与目标域的交集(用户和项)预测两个域或一个域基于另vant和准确(Rikitianskii等人,2014年)。系统的相关性取决于用户的任务和用户的交互。交互的性质和用户的环境在以下方面有所不同 的建议和预测。随着新技术的出现,机器学习算法经常用于挖掘数据并从预测可能的结果中得出活动模式(资料来源:作者根据Kunaver& Pozrl(2017),Villegaset al.(2018年)2.1. 上下文感知推荐系统上下文是指“可用于表征实体的情况的任何信息”(Abowd等人,1999; Dey,2001)。实体是指与用户交互相关的用户、地点或项目和应用程序。早期的工作(Adomavicius等人,2005)在CARS中将二维(用户X项)扩展为三维(用户 X项目X上下文)。上下文感知推荐系统通常包括四个步骤:(1)信息收集(2)上下文建模(3) 上下文结合(4)决策(Ben Sassi等人, 2017年)。大多数情况下,上下文信息是通过上下文预过滤和后过滤技术估计的。在预过滤技术中,上下文信息在用于计算算法之前过滤掉不相关的查询。这种过滤技术使用不同的方法,如减少,项目分裂,面积 兴趣和语义相似性(Kulkarni Rodd,2020)。另一方面,在后过滤技术中,在对原始或非上下文数据得出推荐之后使用上下文信息,并且上下文信息用作使用权重或过滤方法的消除过程。相反,在上下文建模方法中,上 下 文作 为 建 模 技 术 中 的 关 键 参 数 ( Adomavicius&Tuzhilin ,2011),导致多维决策(Panniello&Gorgoglione,2012; Panniello等人, 2016年)。传统上, 的 项目 在 Rs 是 静态的, 和 上下文相关考虑主要涉及与用户有关的特征。研究(Casillo等人,2017; Villegas等人,2018)将上下文分类为本地-tion(地点)、time(时间)、activity(什么)、personal or individual、group and social(谁)、situation(如何)和utilization(为什么)。通过处理模型,解释它,然后将其与推荐系统集成,从而将上下文纳入其中。上下文配置文件是基于模型输出构建的,并且在最终阶段,在每个上下文中预测最合适的推荐。还可以看出,应用领域由电影、娱乐、社会事件、新闻和音乐主导(Ben Sassi等人,2017年)。通常识别的上下文信息包括位置、情绪、氛围和社交数据。随着时间、地点和人物等其他情境而变化的动态情境适用于健身和旅游等在这些领域,推荐系统必须处理的上下文,即使偏好和期望对于同一用户也是动态的。先前的研究(Casillo等人, 2021)设计了一种混合RS,其包含上下文感知模块(CAM)并处理上下文信息(数据)、兴趣和用户在每种情况下的角色。因此,上下文感知计算中的上下文变量包括作为上下文的用户、作为上下文的项目(活动)、作为上下文的物理位置以及派生的上下文(Del Carmen Rodríguez-Hernández Ilarri,2021),例如行为、情绪等。应当注意,由于检测上下文所涉及的复杂性,CARS倾向于避免冷启动问题(Paradarami等人,2017年)。然而,许多研究工作已经证明了通过结合上下文来改进RS的质量(Villegas等人,2018年)。研究工作(Smyth,2018)观察到每个动作都会被检测并存储在某个地方,所有这些都是任何推荐引擎的潜在数据2.2. 人工智能技术与上下文感知推荐系统随着新技术和传感器、移动设备以及社交网络的出现,情境应用已经获得了更大的重要性。在数字时代,技术在确定和提供情境推荐方面的 重 要 性 是 巨 大 的 ( Del Car- men Rodrguez-Hernández& Ilarri ,2021)。具体而言,RS被视为所有应用领域的首选预测分析方法。虽然CARS的目标是为用户识别相关项目,根据上下文,使用分类、聚类、回归和深度学习等AI技术来推断上下文。人工智能一直被视为通过分析技术展示人类智能方面的技术集合(Kar et al.,2022年)。Literature(Del Carmen Rodríguez-Hernández& Ilarri,2021)观察到CARS与机器学习的显著重叠,事实上,CARS算法被视为AI技术的一个子集。此外,人工智能可以评估情况并适应用户通过感测上下文和运动并控制环境来满足这些要求(Kar等人,2022年)。人工智能技术在过去十年中主要应用于推荐引擎(Del CarmenRodríguez-Hernández Ilarri,2021)。除了聚类技术之外,诸如CNN(卷积神经网络)(Zheng et al.,2019),RNN(递归神经网络)(Livne等人,2019)和FNN(前馈神经网络)(Mudda等人,2018年,它被用于各种应用。 CNN已经被用作推荐引擎的数据预处理的一部分(Sharma等人,2021年)。虽然深度学习算法方法可以帮助推荐引擎从众多来源中检测上下文,但目前认为从这些组合来源中获得相关信息具有挑战性(Del Carmen Rodríguez-Hernández& Ilarri,2021)。尽管如此,人工智能技术在CARS中的重要性是P. Venkatachalam和S. 射线International Journal of Information Management Data Insights 2(2022)1001394表2基于调查的关于移动应用程序中身体活动和健身的研究年作者审查讨论的背景2020Damen等人数字化工具减少知识工作者内部使用RS2021Farrokhi等人应用IoT和AI实现智能适配“Diet prediction and monitoring to traininginformation history management and analysisof fitness2019Ghanvatkar,Kankanhalli,Rajan将个性化干预分为6类,即目标推荐、活动推荐、健身伙伴推荐、教育内容、激励内容和干预时机。在推荐(目标,活动和健身伙伴)和反馈(动机或信息)中都发现了个性化。2020蒙泰罗-格拉,里韦拉-罗梅罗,费尔南德斯-卢克,&考尔菲尔德使用移动应用程序的实时身体活动教练的个性化:范围审查。“最常见的特征:反馈、目标设定、用户定位和人与人之间的交互最少发现:自学、上下文意识和适应。很少有系统在设计时考虑行为改变理论。2019哈德曼,霍顿,莱恩,K.,琼斯“及时适应性干预(JITAIS)的审查,以促进身体活动。常见的行为改变技术是目标设定和行为反馈和计划行动。经验和现实优先于经典RS方法的规则和公式,从而产生更准确的建议。因此,作为一个应用领域的适应性带来了各种发展和挑战,涉及到用人工智能技术实现CARS。2.3. 在适应性域中应用CARS的先前工作在健身领域,我们确定了基于调查的研究,这些研究涉及影响体育活动应用程序的因素(Hosseinpour& Terlutter,2019; Ren等人,2018年 ; Yang 等 人 , 2020 ) ; 基 于 智 能 手 机 或 移 动 应 用 程 序 的 适 应 性(Luhanga等人,2018年)。表2列出了一些例子,其中讨论了提供适合性建议的背景。可以看出,由于智能手机的激增,用户呈现或交互是通过设备,特别是移动应用程序完成的。跨领域再次成为另一个反复出现的话题,饮食和音乐与健身一起讨论。我们进一步观察到,健身产品和服务的个性化包含推荐引擎,用户偏好用于目标设定,而用户行为用于预测。因此,这些研究确定了adop增加的预期特征,fitness应用程序的定义以及在fitness程序中包含社交组件。然而,我们没有找到一个调查适合推荐系统,提供了上下文感知的概念化。3. 研究方法我们观察到,在具有类似目标的推荐系统的文献中,对身体健康、身体活动、身体训练和锻炼的引用可互换使用。我们的解释是,身体健康是指整体的幸福感或专业培训环境,而身体活动是指个人的运动。我们通常会提及3.1. 审查进程我们检索了引文数据库Web of Science,Scopus),标题、摘要和作者关键词中的关键词为“fitness”、“physical fitness”、“physicalactivity”和关键词“上下文感知”和“推荐系统”在标题和摘要中进行了检查(图1)。 1)。我们没有指定分析的时间段。这些文章包括综述文章、同行评审期刊和会议记录。我们将语言限制为英语。我们进一步限制研究范围,并筛选出394篇文章。在这一集,我们进行了文献计量分析。然后我们筛选出42篇文章进行系统的文献综述。我们还确定了文章中使用的互补或交叉领域。此外,我们回顾了10个基于文献综述的上下文感知推荐系统的研究。当需要对几项研究工作进行全面评估时(Donthu等人,2021年),最大限度地减少了研究人员的偏见,文献计量分析被认为是一种可信的科学方法。然而,我们在这项研究中的重点是在概念上理解CARS在适应性领域的发展和问题。因此,我们进行文献计量学分析,分析描述性统计,并通过系统的文献综述,概念和定性地综合他们。我们通过主题图、共现、词云和共词分析来观察概念的发展。我们使用BibliometriX 在R中进行这些分析步骤(Aria Cuccurullo,2017)。我们按照Kitchenham et al.(2009)、Tran field et al.(2003)的指导分三个阶段进行系统性文献综述:(1)计划综述,(2)进行综述,(3)报告综述。从394篇文献中选择文本分析,我们以Excel电子表格格式显示数据记录。任何重复都被删除了。下一阶段是综合先前研究的结果。在这个阶段,我们排除了与研究主题无关的研究。根据研究主题,我们继续到下一阶段,这涉及到结合许多研究的结果。4. 描述性统计量4.1. 出版趋势2002-2021 年 期 间 出 版 物 的 趋 势入 围 论 文 394 篇 , 年 增 长 率 为12.74%。在过去十年中,我们看到了更多的贡献,这可能表明了进步的重要性。 在汽车。4.2. 来源影响和动态我们确定了关于该主题发表的顶级来源(图3)。我们发现,在整个出版物和期刊中,对该主题的兴趣在各个来源中是相似的,这些出版物和期刊共同推进了研究工作。P. Venkatachalam和S. 射线International Journal of Information Management Data Insights 2(2022)10013955. 文本分析5.1. 关键词分析图2. 年生产力。Fig. 1. 审查方法。在过去十年中,新兴技术在研究文献中获得了关注。5.2. 共现分析我们通过对关键词的共现分析观察到,研究探索了各种适应性领域的上下文意识(图5)。每一个语境都有不同的重要性。我们认为,研究正在转向基于技术的建议,因为人工智能、物联网(IoT)和传感器等新兴技术是首选的上下文检测器(Del Carmen Rodríguez-Hernández&Ilarri,2021),移动上下文计算是用户交互的首选设备(Ben Sassi等人,2017年)。关于这些主题的讨论与推荐系统的共同出现突出了处理大数据以预测推荐的需要。例如,在健身建议的情况下,用户的需求可能是在他们的办公桌上做例行锻炼。在这 在这种情况下,传统RS将捕获用户偏好。然而,关于位置、时间和资源可用性等的上下文信息可以帮助生成详尽的推荐。我们进行文本分析,以理解CARS在健身领域Kar Dwivedi(2020)中应用的概念结构。我们发现,摘要和作者的关键词是提供关键见解的两个主要因素。我们使用这些因素进行文本分析,并确定研究主题的新趋势。然后,我们通过定性分析证实了这一分析的结果我们通过使用抽象二元语法的词云分析来推断研究最多的主题(图4)。它通过高频词提供见解。我们发现,用户活动或活动识别一直是许多研究的中心焦点。最受欢迎的主题是人工智能和机器学习对RS的影响是一个至关重要的新兴因素,特别是对于生成个性化配置(Votto et al.,2021年)。值得注意的是,技术进步一直是信息系统研究人员的主要吸引力,重点是可穿戴设备、智能家居、环境智能和移动设备等。这些主题在不同时期有不同的趋势,5.3. 概念分析然后,我们执行共词分析映射的概念结构,通过数据简化技术,即多重对应分析(MCA)。该技术定量地综合了研究景观,并提供了研究主题的可视化。我们的分析一直是对作者的关键字,我们生成主题树状图和概念结构(图1 - 2)。6和7),都是通过bibliometri X在R.MCA生成的概念结构图显示,技术正在成为健身相关应用中的核心话题。对设计、预测、跟踪和性能的引用证明了技术的重要性。应用的目标由身体活动、锻炼、健康和环境表示。智能手机、传感器、平台、互联网和中间件都是正在分析的技术。这些发现通过主题树状图得到进一步证实。物联网的使用P. Venkatachalam和S. 射线International Journal of Information Management Data Insights 2(2022)1001396图三. 源影响。见图4。 抽象双字母。(IoT)可穿戴设备和环境智能检测器等与情境感知相结合,表明技术在适应性情境检测应用中的广泛使用。MCA生成的概念结构图显示,技术正在成为健身相关应用中的核心话题。对设计、预测、跟踪和性能的引用证明了技术的重要性。应用程序的目标由身体活动、锻炼、健康和环境表示。智能手机、传感器、平台、互联网和中间件都是分析技术。这些发现通过主题树状图得到进一步证实。结合情境感知,物联网、可穿戴设备和环境智能检测器等的发展表明技术在情境检测应用中的广泛使用。我们还观察到机器学习、CNN和人类活动识别等AI技术与CARS一起使用。5.4. 主题建模我们通过LDA算法进行主题建模来评估高阶主题。自动算法从选择用于审查的语料库中产生经常讨论的主题(Kumar等人,2021年)。我们根据生成的主题对生成的主题进行分组和标记。 表3A列出了重复的主题。表3A基于主题建模的聚类研究。话题标签主题词感知上下文1:分配、辅助、隐含、改变2:调度,技术,效果,优化,倾听,间隔3:授权,物联网,交互,中介,灵活,认知的,模态的,使能的4:安全性、注意事项、适应性、一般性、合并,匹配、物理、信息、维度5:分布式、智能、选择、比较、查找技术与创新智能手表,物联网,数字,设备,算法,媒体活动预测1:模式,运动,低,攻击,分类,跟踪,出处,调查,人2:体育,技术,过程,认知,过渡,事件,行为,驾驶,司机,减少感知周围环境、技术的影响和活动预测是产生的主题。上下文感测对于CARS是必要的,并且其算法方法(Adomavicius等人,2011)、处理、演绎方法、维度和交互(Ben Sassi等人, 2017年)已被公布。 作为上下文检测的一部分,新兴技术的作用,特别是人工智能技术,被检查(Alturki Gay,2018)。预测方法包括基于算法识别动作的目标(He等人,2014;Hosseinpour& Terlutter,2019),以及行为和认知分析(Asimakopoulos等人,2017年)。5.5. 文本分析-摘要基于文本分析,我们总结了在fitness RS领域出现的跨文本分析的研究集群,该领域在表3B中的过滤方法中包含了上下文感知算法。我们根据第1组和第2组各自的目标将其区分开来。聚类1是关于活动和上下文感知的,并且推荐引擎的目标是基于上下文产生相关输出(Dobbins等人,2017; Memon等人,2017年)。这里,系统可以通过来自用户的参数或使用来捕获上下文。另一方面,基于上下文检测的研究感测上下文以提高输出的准确性。在这种情况下,系统可以使用技术来自动感测上下文并预测活动(Nouh等人,2019;Casino等人,2017年)。第三个集群侧重于应用程序CARS算法和新兴技术的影响(表6)。最后确定的集群讨论了以下因素的影响和相互作用:P. Venkatachalam和S. 射线International Journal of Information Management Data Insights 2(2022)1001397图五. 专题地图。见图6。概念结构图(MCA)。其他应用领域和适合作为一个领域(Khan等人,2021; Trang Tran等人,2 0 1 7 年)。6. 结果通常,推荐系统是用户驱动和用户为中心的。适合性建议可基于用户类别分类为专业或非专业。专业类别包括用户属于体育训练和娱乐体育赛事。这一类别使用预先定义的标准来设定目标,背景因运动和运动员个人(目标、能力、表面等)而异。这类用户通常受过健身教育,对健身实践了如指掌,并且自我激励;因此这里的建议是针对特定目的的。另一方面,非专业或业余健身类别将健身推荐系统视为激励用户遵循P. Venkatachalam和S. 射线International Journal of Information Management Data Insights 2(2022)1001398表3B基于文献计量分析的研究集群。见图7。 主题树状图。物理环境,如健身房或家中。d)何时?- 基于用户(e)去多久?- 在许多情况下,时间的可用性和财政资源的限制决定了持续时间。财政资源也可能影响其他背景因素(Plumley等人, 2018年)。然而,研究Adomavicius等人。(2011)还讨论了什么结果作为上下文变量。它可以是一个人、一项任务、一个地点或一种互动模式等等。在提及上下文时,术语的常见用法是“上下文信息”,其可以是“上下文因素”(例如,地形)和/或“上下文条件”(例如,斜率)(Codina等人,2013年)。历史上,用户和项目向量单独用于计算推荐系统中的评级但是上下文变量可以是静态的,也可以是动态的。与语境相关的变化上下文类型可以是物理的、社会的、技术的或模态的。因此,变量的方式往往会重叠,采用例如,作为上下文元素的年龄可以是用户或上下文健身例程(Hosseinpour Terlutter,2019)。因此,该类别包括自愿参与健身计划或例行活动的个人 作为一种实践或习惯,出于健康原因,或作为一个自我设定的目标。这一类别在性别、团体、锻炼的性质/类型、能力、位置、时间、持续时间、氛围、健身设备、风险、费用、天气和动机因素方面因上下文而异(He等人,2014年)。因此,推荐系统的输出可以是基于用户需求的目标设定或预测。在这两种类型中,目的是推荐一个健身计划,包括锻炼,营养,伸展恢复等。经常提出的问题,以了解上下文包括(a)什么-年龄,性别,健身常规,目前的健康状况,专业与否,用户的目标,能力,社交网络等,其主要是人口统计特征(Haruna等人,2017年)。其中一些属性是静态属性,不会随时间变化。而用户的目标、能力、社会信息等属性是时态的、动态的。(b)地点和方式-氛围,位置和天气。地理位置通常被称为“空间背景”,是关键属性。可供我们使用的物理资源也可以作为背景(Caminos,2019)。这使得能够提供可由用户执行的推荐。(c)与谁合作?- 团体或个人,私人教练或自我训练,vector.作为一个用户元素,年龄将按照传统的算法方法进行处理。作为上下文元素,年龄将被视为与焦点项有关(例如,任务或情况)。因此,作为用户元素,数据可直接用于处理。另一方面,上下文元素可以是数据(明确可用)或信息(导出)或知识(推断)(Vieira等人,2007年)。通常,推荐系统中的上下文感知被观察到基于位置、社交信息、时间或暂时的、活动、情感和多维信息(Ben Sassi等人,2017年)。类似地,上下文参考适合性推荐系统有助于个性化推荐(He等人,2014年),并趋向于多维化。 研究(Asimakopoulos等人,2017)还观察到,情境感知的相关性建议对用户的自我效能和改变其行为的意图很重要。这一结果取决于推荐和跟踪活动的应用程序中的数据、新方法和界面设计研究(Adomavicius等人, 2011)将上下文的使用分为(a)上下文预过滤(通过在计算预测之前使用当前上下文选择相关数据来将输入置于上下文中),(b)后过滤(通过调整计算的预测来将输出置于上下文中),以及(c)建模(将上下文置于上下文中)。研究集群话题描述1活动和环境意识推荐用户的身体活动作为输出,上下文感知算法是在预测用户的活动和映射上下文2上下文检测对传感器的研究,推断或识别上下文,以提高建议的有用性。3新兴技术和背景适应性RS系统4跨域作为上下文有两种方法:a)其他领域作为适应性应用的背景; b)适应性作为其他领域(如医疗保健)P. Venkatachalam和S. 射线表9International Journal of Information Management Data Insights 2(2022)1001399RS的前身年作者应用领域背景变量描述2017Memon等人感知上下文地点,时间通过传感器和技术,确定位置和时间的上下文。2017多宾斯等人活动和新兴技术知识(日志)采集速度和心率的原始数据,存储为生命记录,处理并显示。通过机器学习算法进行处理,处理后的数据用作上下文2011巴尔楚纳斯,路德维希,里奇背景变量评估任何背景及其相关性识别上下文评估框架的重要上下文-领域不可知2014Su等人活动感知知识(简介)使用者的健康知识是通过多种干预措施获得的,如个人资料,健康检查等。所获得的知识将有助于预防伤害和建议适当的运动。2018Turmo Vidal等人活动感知知识(练习)健身训练中的动作矫正,针对健身教练。使用民族方法论的方法,根据学员的活动,使用过去的教练和学员在相关练习中的互动。2018Luhanga等人组活动感知知识(用户调查)设计建议,可以让洞察更多的背景。识别和评估智能手机群组适配应用2015Direito等人目标和预测知识(动机因素)为了激励人们锻炼,控制实验并确定动机通过直接将上下文并入表1中提到的任何一种RS方法来实现应用功能)。类似地,它是argued(Adomavicius等人,2011年),CARS分类可能基于背景因素或背景信息的知识,变量的维度随时间变化。因此,我们推断,上下文元素被用作输入,处理和输出变量的CARS。虽然这些技术的不同方法可以在文献中找到,但出于本研究的目的,我们将重点放在对背景的利用。我们将与适应性推荐系统相关的研究性质分为三组。(1)上下文感知适应性的前提,RS(2)上下文感知适应性RS算法,(3)CARS在适应性应用中的使用。虽然前因是关于上下文预过滤方法,但上下文感知RS算法包括后过滤方法或扩展表1中列出的传统算法。我们观察到,在合适的推荐系统中,通过技术和算法方法详细分析了CARS的应用。在最近的研究中,我们观察到机器学习技术越来越多地被用于实现CARS。这是一种反馈机制,可提高建议的有效性。因此,第三类研究提供了CARS应用案例的总结6.1. 上下文感知适应性RS的前因我们发现,研究强调了改进或者为推荐系统预过滤数据。这些研究工作 被归类为上下文感知的前因,因为它们中的大多数专注于检测用户因此,我们观察到,当上下文与用于预测用户推荐的相关变量的类似集合相匹配时,上下文变量与目标用户的引用一起使用。然而,由于难以获得精确的上下文匹配,因此该方法往往面临稀疏性问题。6.2. 上下文感知RS算法表5总结了讨论基于身体活动的推荐系统的背景的期刊文章列表。在后过滤方法的情况下,不相关的信息被过滤掉。然后根据以下因素调整其余建议:上下文变量。如表中所列,AI技术,尤其是机器学习,在用于上下文检测的预过滤和后过滤方法中均为首选。Panniello等人(2014)的研究观察到,无论采用哪种方法,性能都取决于
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功