ACM通信

研究突出了

支持自闭症谱系障碍患者探索PoIs:一个包容性的推荐系统

作者:Noemi Mauro, Liliana Ardissono, Federica Cena
ACM通信，2022年2月，第65卷第2期，第101-109页
10.1145 / 3505267
评论

对自闭症谱系障碍患者的兴趣点(PoIs)建议，通过引入在项目评估中明确考虑用户偏好和厌恶的需要，对推荐系统的研究提出了挑战。原因是自闭症用户对地方的感知受到感官厌恶的影响，当他们访问建议的PoIs时，这可能会导致压力和焦虑。因此，对个人偏好的管理还不足以为这些人提供合适的推荐。

为了解决这一问题，我们提出了一个Top-N推荐模型，该模型以个性化的方式将用户的特殊厌恶信息与她/他的偏好相结合。这样做的目的是建议他可以同时喜欢并顺利体验的地方。我们感兴趣的是在一个集成了异构评估标准的推荐模型中找到一个特定于用户的兼容性和兴趣的平衡，以适当地考虑到这些方面。

我们在148名成年人身上测试了我们的模型，其中20人患有自闭症谱系障碍。评价结果表明，在这两组中，我们的模型比基于项目兼容性、用户偏好或使用统一评价模型集成这些方面的推荐系统获得了更高的准确性和排名结果。这些发现鼓励我们使用我们的模型作为开发包容性推荐系统的基础。

回到顶部

1.简介

兴趣点对脆弱用户的个性化推荐对推荐系统的开发提出了挑战¹⁹通过扩大在确定最适合个别用户的项目时应考虑的因素。例如，自闭症谱系障碍患者是这项研究的主要对象，他们对噪音、亮度和其他感官特征有特殊的感官厌恶，这影响了他们感知事物的方式，尤其是地方。^20.因此，一个忽视这些厌恶的推荐系统可以推荐给用户造成高度压力和焦虑的poi。⁷为了解决这一问题，传统上用于个性化物品推荐的偏好数据应该与人们的厌恶信息相结合，以估计他们不仅对探索建议的地方感兴趣，而且可以平静地体验它们的可能性。

从多标准决策分析入手，²⁵它提供了物品多维度评估的技术，以及基于用户与物品相似度的匹配模型，¹²大多数推荐系统都假设一个项目的属性以一种附加的方式对用户的效用做出贡献。然而，根据个人的癖好和他们的优势，有问题的功能可能使一个项目不适合，即使它符合用户的偏好。此外，兼容性对决策的影响因人而异，不能单独管理。例如，一些自闭症患者下定决心去嘈杂和拥挤的地方，如果他们非常喜欢他们。因此，包容性推荐模型必须通过平衡个体层面的特征兼容性和偏好满意度来反映个体的评价标准。在目前的工作中，我们调查了这两种类型的信息在PoIs对患有或不患有自闭症谱系障碍的用户(神经典型用户)的个性化建议中的作用。我们提出了一个新的Top-N推荐系统，通过利用基于特征的用户配置文件来规范个人需求，应用异构评估标准来考虑用户偏好和兼容性需求。

我们的工作有两个关键方面。首先，我们从低或高的特征值所引起的干扰(如黑暗或强光)中获取人们对地方感官特征的厌恶程度数据。在这项任务中，我们试图尽可能地限制从人们那里获得的信息量。为此，我们采用了一份来自Tavassoli的问卷，²³它提供了关于用户对每个特性可接受的值子集的厌恶程度的数据。然后，我们将她/他的厌恶度插值到整个值范围内，推导出特征的相容性作为厌恶度的补项。其次，对于物品评级的估计，我们区分了用户对广泛类别的地方的偏好和特殊的感官厌恶。此外，由于用户可能会在项目评估中以不同的方式平衡这些方面，我们通过应用特定于用户的权重将偏好和兼容性结合起来，这些权重是通过分析用户的评分以及他们声明的偏好和癖好获得的。

开发这类系统的一个重要挑战是，它必须在数据稀缺的情况下工作，因为很少有用户可以被研究来了解他们的兴趣。研究表明，在欧洲，每100人中就有1人患有自闭症谱系障碍。⁵此外，我们很难联系到这些人，因为他们有互动问题，而且有回避新体验的倾向。最后，他们的注意力问题导致他们难以提供关于项目的详细反馈。¹³

我们在148名成年人身上测试了我们的模型:其中20人患有自闭症，而我们对其他人没有任何信息。然而，我们可以合理地预期，第二个样本尊重整个人口的比例，包括最多1或2个自闭症患者。在这两组参与者中，我们的模型获得的准确性和排名能力都高于一组基线推荐系统，该系统单独考虑了项目兼容性或用户偏好。此外，我们的系统优于统一管理兼容性和首选项信息的基线模型，而不区分它们的贡献。

本文提出的方法是自闭症个性化互动城市地图项目(PIUMA)的一部分，该项目旨在开发新的数字解决方案，帮助自闭症患者的日常活动。¹⁸PIUMA涉及到都灵大学计算机科学系和心理学系以及意大利都灵市成人自闭症中心之间的合作。这个项目的结果是一个移动应用程序，它管理动态地理地图，专门为自闭症谱系障碍的用户设计，但也针对神经正常的人。^3.

本文的其余部分组织如下:首先，我们讨论自闭症患者的空间需求(第2节)，并将我们的工作定位于相关的(第3节)。第4节概述了我们如何收集关于用户和poi的数据，第5节介绍了我们的模型。第6节描述了我们用于测试模型的验证方法。第7和8节提出并讨论了评价结果。最后，第9部分对全文进行了总结。

回到顶部

2.自闭症患者的空间需求

自闭症的症状从严重的语言和智力障碍到没有残疾，以及高于平均水平的智商。超过90%的自闭症患者具有非典型的感觉知觉，²³他们可能会被环境因素所压倒而这些环境因素很容易被正常人控制。至少部分是因为这些特征，自闭症谱系障碍患者会主动避开可能对他们的感官产生负面影响的地方。²²视觉、嗅觉和听觉与城市环境中的流动性有关，而高度的感官刺激会对个人的行动产生负面影响。影响安全感的其他相关环境因素包括温度、开放程度和拥挤程度。这些特殊的感官厌恶可能导致焦虑、疲劳、厌恶、压迫感或分心。¹⁸

为了解决这一问题，迫切需要能够满足自闭症患者空间需求的技术支持，重点关注源于他们对感官刺激高度敏感的厌恶。此外，由于这些厌恶似乎是非常特殊的，没有任何地方的特征可以让所有自闭症患者放心，因此必须考虑每个人的特点。¹⁶因此，提供适合个人用户的个性化解决方案是极其重要的。

回到顶部

3.相关工作

由于自闭症谱系障碍患者通常表现出对技术的亲和力，信息和通信技术主要用于支持他们的日常活动管理。^16，17然而，关于自闭症的研究往往更多地关注儿童，而忽视了成人的需求。这可能是“医学模式”的结果，它促进了对学龄目标的干预。此外，人机交互社区似乎更喜欢解决社会交互问题，^8，16而不是处理空间上的困难。

大多数应用程序研究了针对自闭症的个性化策略在教育领域的采用。例如，Judy等人。¹¹提出一个个性化的电子学习系统，根据用户过去的表现，提供不同难度的学习路径。作者定义了本体来描述学习材料、注释模式和服务，并使用遗传算法作为优化技术，将一组学习对象表示为染色体。

加西亚等。⁶提出一个自适应的基于网络的应用程序，帮助自闭症谱系障碍的学生克服他们在上大学时可能不得不面对的挑战。该系统调整了信息站点的呈现方式，以适应自闭症和神经正常的学生，但信息对每个人来说都是一样的。自适应功能基于学习风格(视觉vs.语言，全局vs.分析，主动vs.反思)和用户历史。例如，如果用户更多的是视觉而不是语言，内容的视频版本将显示在学习对象的顶部。否则，它将被移动到对象的底部。香港等。¹⁰建议在社交网络中为用户提供建议，旨在支持年轻人的独立性。然而，它们专注于社交网络的组织，依赖于同伴的建议，而不是自动生成推荐。

不同的是，Costa等人。⁴开发一个任务推荐系统，使用机器学习技术来补充孩子的常规治疗。该系统根据年龄、性别和一天中的时间建议进行日常活动(与吃饭、保持清洁、穿衣等有关)。它不考虑孩子的喜好，活动的难度级别是由治疗师手动设置的。此外，吴恩达和佩拉¹⁵基于协作和基于图表的推荐技术，为患有自闭症谱系障碍的成年人推荐一款混合游戏。

我们的工作与前面列出的有几个方面的不同。首先，我们关注一个不同的领域，即空间支持。其次，我们用自闭症患者来评估我们的模型。这在相关的研究中几乎没有做过。第三，我们的方法采用了个人对商品类别的偏好，以及对感官特征的厌恶，从而在实际可以收集到的关于商品的反馈数量有限的情况下引导推荐。

我们的工作也不同于一般的基于内容的工作，¹²基于功能的,⁹协作和多标准¹推荐系统，因为我们把感官特征视为用户不舒服的来源，而不是喜欢或不喜欢的因素。换句话说，我们分别建立了特殊感官厌恶的影响模型，这决定了用户对不同类型物品的偏好对物品的兼容性。注意，这种分离也将我们的模型与处理负面偏好的推荐系统区分开来，比如，¹⁴因为我们支持异构标准的管理，以处理用户偏好和感官特质。在此之前,阴谋²导游在PoI推荐中介绍了兼容性要求的概念。但是，它没有就用户的喜好调查它们的不同意义和对项目评价的影响。

值得一提的是，虽然基于约束的推荐系统对于我们的目的来说过于知识密集型(我们不建议带有约束满足要求的项目包)，但在适宜性标准下寻路软约束的优化与扩展带有到达目标地点指令的PoI建议相关。这种类型的技术已经在路由推荐系统中进行了探索，例如Verma等人的工作。²⁴

回到顶部

4.初步研究设置

本节描述我们如何收集关于用户和地点的数据来验证我们的模型。此外，它描述了我们所涉及的用户样本。

4.1.用户数据知识

获取单个用户配置文件是个性化推荐的关键步骤，因为它可以显式地表示项目评估中要考虑的用户偏好和需求。用户配置文件可以明确地从用户那里得到，也可以通过跟踪和分析用户行为而不引人注目地获得。¹⁹在这项工作中，我们采用了前一种技术，这使得在开始使用移动指南之前初始化用户配置文件成为可能，从而支持从与用户交互开始就识别不合适的poi。这种方法不排除采用动态用户建模技术来更新用户配置文件，当人们使用移动指南时，我们最近已经向这个方向扩展了我们的工作。

我们的问卷，如图所示表1，包括两部分。在第一个(表的左列)中，它引出用户对poi类别的偏好，如餐馆、公园等，以便了解用户喜欢或不喜欢哪些。第二部分(右列)是关于用户对场所感官特征的厌恶程度的问题。

表1。简短的问卷调查，以获取偏好和感觉特质的信息(由意大利语翻译)。

关于感官厌恶的信息很难获得:通常，为了这个目的，必须完成非常长和复杂的调查。^20.此外，要求自闭症患者提供这些数据是具有挑战性的，因为他们在社交方面有困难，他们往往会避免新的体验。²¹考虑到用户的注意力问题，¹³考虑到我们项目的应用背景，这不是一个临床环境，我们决定避免长时间和详细的调查。因此，我们和心理学家一起精心准备了一个简短的问题列表，以获取这些信息。

我们通过调整感官感知商(SPQ)测试的一个子集来定义关于厌恶的问题²³基于Rapp等人的研究结果。¹⁸SPQ是一份标准的成人感觉问卷，用于评估基本的感觉高敏感和低敏感。我们本想直接使用它，因为它是为都灵自闭症成人中心的患者提出的一系列评估测试的一部分。然而，它包含了92个项目，在引导一个移动指南时太多了。所示表1，我们的问卷旨在更快地获取厌恶信息。具体来说，对于某些功能(亮度和空间)，用户被要求评估两个极端条件，即低或高水平，假设中间的问题较少。在其他情况下(拥挤、噪音和气味)，用户会被问及最高级别的烦恼，因为这些功能的低级别是中性的。

在我们的实验中，用户填写了关于表1，可能在操作员在场的情况下(当需要时)，他们用[1,5]李克特量表回答问题。然后，我们要求用户评估位于都灵市中心的50个特定poi(例如，你有多喜欢城堡广场?)，以收集用户评级数据集来测试我们的模型。我们使用与上面相同的[1,5]李克特量表，但我们加入了“我不知道这个地方”选项来支持退出。

关于PoIs的知识。我们使用Maps4All众包平台(https://maps4all.firstlife.org/)作为地方信息的来源。具体来说，在“关于用户的知识”一节中提到的50个poi代表了该平台中定义的所有地点类别。我们选择这些poi时，要求它们之前至少有三个不同的众包提供者的贡献。

利用一个特别平台作为poi信息来源，而不是依赖于公共开放数据源的原因是Maps4All被明确设计为支持地方感官特征的众包。相比之下，开放数据源如OpenStreetMap (https://www.openstreetmap.org)无法提供我们实验所需的感官信息。特别是，对于每个地方，Maps4All允许用户在[1,5]尺度中对(i)亮度、(ii)拥挤、(iii)噪音、(iv)气味、(v)开放程度和(vi)温度的水平进行评级。这些感官特征是根据Rapp等人的用户研究结果定义的。¹⁸以及最先进的研究。^20.注意，通过与Maps4All交互，用户还可以提供地点的全局评级。

2019年5月和12月，我们在都灵大学社会创新和ICT硕士学位的两节课上，通过两个实验性众包课程，为Maps4All平台提供了服务。大约120名学生参与了众包任务。为了保证收集到合理数量的关于地点的数据，我们要求他们每个人都为都灵市中心的至少三个PoIs提供评估。在两会期间，我们一共收集了282个项目的评价。

4.2.样本

在我们的研究中，我们涉及了两组用户:

• 20名成人自闭症谱系障碍患者(22至40岁，平均年龄26.3岁，中位数28岁;11名男性，9名女性)，都是都灵自闭症成人中心的患者，中、高功能患者。
• 128例神经典型受试者(19 - 71岁，平均年龄28.1岁，中位数23岁;男性63人，女性65人)，为大学生或本文作者的联系人。

所有参与者根据通用数据保护条例签署了一份隐私共识。此外，我们获得了都灵大学研究伦理委员会的批准。

就我们选择的50个poi而言，我们获得的平均评估数量是自闭症参与者31个，神经正常的参与者39个。

回到顶部

5.推荐模型

如前所述，我们假设应该同时考虑用户偏好和项目兼容性，以确定用户可以顺利体验和喜欢的最相关的项目。然而，评估标准可能是个人的。此外，在决策过程中，这些方面的权重不同。例如，与自闭症谱系障碍患者倾向于去他们觉得舒服的地方相比，在我们的参与式设计采访环节中，我们遇到了一些受试者，他们为了能够进行他们非常喜欢的活动，面临着嘈杂和拥挤的环境的挑战。因此，我们提出了一个基于观察到的项目评价的推荐模型，可以在用户特定的基础上权衡兼容性和偏好在评级预测中的贡献。

为了清晰起见，我们将模型的表示拆分如下。在第5.1节中，我们描述了推荐的输入数据。在第5.2节中，我们指定了我们如何估计一个项目的各个特性与用户的兼容性。然后，我们提出了项目与用户的整体兼容性的估计(章节5.3)和基于偏好的项目评估(章节5.4)。在第5.5节中，我们将描述如何结合兼容性和基于偏好的评估来预测项目评分。

在描述我们的模型之前，我们先介绍我们使用的符号:

• U用户集和我域的项集。
• C是项目类别的集合，如商店和电影院。
• l为[1]中的李克特量表，υ_马克斯］．在这工作,υ_马克斯= 5。
• F＝F^↑∪F^V是在我们的领域中定义的一组感官特征。我们假设每个特征f∈F值在l
  具体地说,F^↑是特征集吗f这样，价值就越高f，它对用户的负面影响就越大。例如，噪声就属于这一类。不同,F^V表示那些极端值让用户不舒服的特性，而中间值的问题较小，例如亮度。
  在我们的领域中，不存在期望人们对高值感到舒服而对低值感到不舒服的特性。因此，我们省略了这个类。

为每个用户u∈U,项目我∈我,我们估计u的评价我(表示为)表示为[1，υ_马克斯间隔，通过采取u对商品类别的偏好和癖好的考虑。

5.1.输入数据

我们的模型将用户和项目配置文件作为输入。的形象u∈U，从问卷数据中提取，指明:

• 评级r_j在l他提供了一套物品j∈我。
• 她/他对类别声明的偏好c∈C，每一个都表示在l规模。
• 她/他对物品特征的特定价值的感官厌恶表现在l我们表示u对某种价值的厌恶υ的一个功能f∈F作为一个_{佛罗里达大学υ}．例如,一个_{佛罗里达大学5}= 4表示u是不是比较受物品困扰f= 5。
  为每一个功能f∈F^↑，我们默认假定一个_{佛罗里达大学1}= 1。因此，用户配置文件存储一个值，一个_{佛罗里达大学υ马克斯},它指定u的最大值的厌恶f。的最大值f作为υ_马克斯．
  为每一个功能f在F^V，用户配置文件存储两个表示u的最小值和最大值的厌恶f，分别为:{一个_{佛罗里达大学1}= 3,_{佛罗里达大学υ马克斯}= 4}

不同的是，项目的配置文件我指定的类别c∈C和一个向量存储，为每个特性f∈F的价值。f项我通过查询Maps4All平台检索。为每一个功能f， Maps4All返回平均计算值它是从众包商那里收集的;取[1，υ_马克斯]区间。

5.2.各个功能与用户的兼容性

我们可以将兼容性定义为厌恶特征值的对立面。然而，用户配置文件只包含用户为每个特性声明的一到两个厌恶值。因此，必须对缺失的数进行插值。在接下来的文章中，我们将从用户个人资料中存储的值开始，描述用于近似用户对物品特征厌恶程度的模式。

为每一个f∈F^↑，我们将厌恶近似为一个线性递增函数。让我们来表示特征值X轴，和用户厌恶在Y平面的轴。然后，我们可以将这个函数定义为连接点(1,1)和点(υ_马克斯，一个_{佛罗里达大学υ马克斯}),如图1：

图1。用户对某一类型特征的厌恶程度插值F^↑．

我们因此估计u的厌恶f在我（ea_ufi)如下:

例如，入线图2显示了用户对某个特性的厌恶程度的插值f。给定一个用户u与一个_{佛罗里达大学υ马克斯}= 4, PoI我这样= 3,ea_ufi＝行^↑(3)。u的厌恶f在我近似于2.5。

图2。用户对某个类型特征的厌恶的插值示例F^↑．

不同,为每一个f∈F^V，且给定{一个_{佛罗里达大学1}，一个_{佛罗里达大学υ马克斯}}在u的轮廓，我们通过在的范围上的凹函数插值厌恶f。厌恶函数有一个“V”形，我们通过画两条线来近似，如图3：

图3。用户对某一类型特征的厌恶程度插值F^V．

• 行^↑连接点(1,1)和(υ_马克斯，一个_{佛罗里达大学υ马克斯})表示厌恶向的最大值的增量f。
• 行^↓连接点(1,一个_{佛罗里达大学1})和(υ_马克斯， 1)表示厌恶的减少，而f取比其最小值更高的值:

我们估计u的厌恶f在我通过选择两行的最大值:

让我们看看中的例子图4．给定一个芋泥我这样= 3,ea_ufi= max (行^↑(3),行_↓(3))。因此,u的厌恶f在我估计是马克斯(2.5, 2) = 2.5。

图4。用户对某个类型特征的厌恶的插值示例F^V．

请注意,ea_ufi取[1，υ_马克斯]区间。此外，该指标的值越高，意味着该特征产生的不适感越强u。

鉴于ea_ufi的兼容性。f与u在我,表示电脑及相关知识_ufi，可定义为:

例如,如果ea_ufi= 2.5,υ_马克斯= 5,电脑及相关知识_ufi= 3.5。

5.3.整体项目兼容性:聚合度量

我们提出了可选的聚合度量来计算项目的整体兼容性我与一个用户u（电脑及相关知识_用户界面)通过建模个体特征的不同类型的影响。

在第7节中，我们将结合不同的推荐算法评估它们的性能。

• 分钟。这个度量定义电脑及相关知识_用户界面的最小兼容性我的特性u：
  
  
  
  Min是连词，它是求值的我是不兼容u如果项目至少有一个不兼容的特性。
• 大街。在这种情况下,电脑及相关知识_用户界面是特征的平均兼容性吗我：
  
  
  
  其中|·|表示集合基数。这种度量是可加性的(析取的)，它平衡了特性对兼容性的影响。

我们还定义了两个聚合度量，用于估计项目的总体兼容性我与一个用户u的特征之间的距离的函数我(存储在向量)和最匹配的理想项目的那些u的特质。我们把这一项表示为．为每一个功能f∈F，最兼容的值是什么f基于u对感官特征的厌恶程度。具体来说,对于每一个(见图中的红点图5)．此外,对于每一个f∈F^V，的值表示为f与最小厌恶度相关。例如,(紫点)图6．

图5。的识别对于字体的一个特征F^↑．

图6。的识别对于字体的一个特征F^V．

这两种基于矢量的聚合测度用于整体兼容性的计算我与u是

• 因为。在这一标准,电脑及相关知识_用户界面余弦相似度是多少而且：
  
  
  
  其中，标量|向量积，·_F为Frobenius范数，为小数积。一个小的角度而且意味着我高度兼容u,亦然。
• 表示。在这种情况下,电脑及相关知识_用户界面是均方根偏差之间的补而且：
  
  
  
  两者之间的距离越小而且越相容我与u。

5.4.个性化项目评估

虽然兼容性是指用户是否能够顺利地体验一件物品，但这并不意味着他会喜欢它。为此，必须考虑到用户的首选项。在我们的领域中，我们考虑的唯一偏好是对要评估的项目的类别的兴趣。因此，用户的首选项值u对于一个类别的项目c∈C对应的值u的偏爱c存储在u的概要文件。我们把这个值表示为p_加州大学．

值得一提的是，如果需要对更多的偏好进行建模，那么可以应用多标准决策分析方法来计算作为单个属性偏好的加权函数的总体偏好估计。但是，这超出了本工作的范围。

5.5.评级预测

为了以个性化的方式平衡兼容性和偏好，我们建议通过利用用户的癖好和偏好，结合用户提供的项目的评级，来确定依赖于用户的评价标准。具体来说，我们估计用户的评价u会给一个项目吗我作为整体兼容性和用户偏好的加权平均值:

在哪里α接受[0,1]区间和中的值p_uci∈l是基于偏好的评价吗我,鉴于u的概要文件。这种模式，从此被称为印第安纳州(即个体)，确定一个特定的α为每个用户优化商品推荐。我们确定每一个的α值u∈U将估计的收视率和真实的收视率之间的距离最小化。

回到顶部

6.验证方法

我们的目标是评估一个同时考虑项目兼容性和用户偏好的推荐模型是否比基于单一类型信息的方法更有效。此外，我们旨在评估这些方面的个性化平衡的有用性，如式(10)的α参数所指定。出于这些目的，我们将我们的模型与一组推荐系统进行比较，这些系统(i)统一管理兼容性和用户偏好，忽略它们对决策可能产生的不同影响，或者(ii)关注兼容性或偏好。我们考虑以下基线:

• 多标准(MC)。该推荐系统通过统一处理特殊厌恶和偏好，在第5.3节描述的聚合度量的基础上，估计项目评级。给定一个项目我,它计算通过融合u的偏好我（p_uci)，以确保个别功能与u（电脑及相关知识_ufi)，通过单一的聚合函数。例如，这个函数可以是所有这些值的平均值，如式(7)所示。
• C-only。这是我们推荐模型的一个配置α= 1。在这种情况下，项目只根据它们与用户的兼容性进行评估。
• Pref-only。在我们模型的这个配置中，我们设置α= 0来根据用户的偏好来评估项目。

我们没有选择像Adomavicius那样的协作式或基于功能的推荐器作为基线¹,汉族,⁹因为关于用户的数据太小，无法训练这些算法。

我们分别将我们的模型与上述基线(自闭症谱系障碍用户数据集(以下简称AUT))和神经典型用户(NEU)进行比较。为了进行比较，我们在5.3节的每个聚合度量上配置了所有算法。通过将所选度量的名称附加到所应用算法的名称后面来命名结果配置。例如,印第安纳州_因为表示Cos聚集测度在Ind模型中的应用。

为了评估推荐性能，我们考虑了排名能力(MRR和MAP)、准确性(精度、召回率和F1)、错误最小化(MAE和RMSE)和用户覆盖率。然而，与最近评价推荐系统的趋势一致的是，我们特别关注排名指标，因为它们有助于了解用户喜欢的项目是否放在建议列表的第一个位置。

我们进行了5次交叉验证，每一次交叉验证，我们使用80%作为训练集，20%作为测试集。由于Ind模型必须优化α参数，我们通过针对MAP优化其结果来训练每个模型找到最佳的用户特定设置。此外，为了确保基线得到一致的评估，我们在用于Ind的相同测试集上运行其他算法(MC、C-only和Pref-only，它们不需要任何训练)。

回到顶部

7.评价结果

表2而且3.表示N = 5时Top-N评价结果。也就是说，建议项目列表的长度为5。表中省略了关于用户覆盖率的结果，因为在所有情况下都是100%。

表2。N = 5时AUT数据集上的结果。

表3。N = 5时NEU数据集上的结果。

我们考虑两类算法，即我们的模型在各种聚合度量上的配置，以及基线的相应配置。在表中，我们用粗体显示了所有算法的最佳值。此外，由另一类算法获得的最佳值被标出来(当我们的模型获得最佳值时，我们标出基线获得的最佳值，反之亦然)。根据学生t检验，星号表示每个类别中表现最好的算法之间有显著差异;^**: p < 0.01;^＊: p < 0.05。

评价结果表明，Ind_因为是最好的推荐系统，因为它实现了良好的准确性和排名能力。在这两个数据集上，它都优于F1和MAP中的所有其他算法(基线和自己的类别)。而且，它的召回率在同类产品中是最好的。事实上，印第安_最小值实现了比Ind更好的误差最小化_因为在两个数据集。具体地说，它得到了所有模型中最好的MAE，并在AUT中获得了最好的RMSE。此外，在NEU中，它比同类别的其他算法得到了更好的结果。然而，如前所述，我们的主要评价标准是排序能力。

有趣的是,印第安纳州_表示时是我们模型的最差配置。在AUT数据集上，它在所有评价指标上获得的结果在同类中是最低的。然而，它比MAP和其他度量中的几个基线获得了更好的结果，支持了我们模型的优越性。同样值得注意的是，Pref-only是MAP的最佳基线。而且，只有C语言_因为与Pref-only相比，它的排序能力较低，但具有相当好的准确性。它是各种度量的最佳或次最佳基线。

不幸的是，AUT和NEU数据集的规模较小，不支持几个评价指标的结果的统计显著性。然而，AUT数据集上有关MAP和RMSE的结果是显著的。这一点很重要，因为我们的推荐模型特别针对自闭症谱系障碍患者。因此，在向他们推荐项目时，我们可以依靠模型的排名能力。与此同时，对于神经正常的使用者来说，结果是令人鼓舞的。因此，值得在一个更大的实验中研究表现，这可能会在两组人身上提供更多统计相关的结果。

回到顶部

8.讨论

从评价结果中，我们得出两个结论。第一个是定制的项目评估模型，它以个性化的方式平衡功能兼容性和偏好满意度，比只管理其中一个方面的推荐系统获得更好的性能。就F1和排名能力而言，Ind模型的配置同时考虑了偏好和兼容性(特别是Ind_因为)得到比Pref-only更高的结果，Pref-only只在项目建议中使用用户首选项。此外，它们比只使用兼容性数据的仅c算法获得更好的结果。这些算法的性能也比Pref-only算法差。这意味着，不出意外，仅仅兼容性信息不足以为用户生成相关的建议。

我们得出的第二个结论是，以个性化的方式平衡功能兼容性和偏好满意度的定制项目评价模型优于统一管理这两个方面的推荐系统。具体来说，Ind配置优于MC配置，无论应用的聚合度量，在大多数评价指标，特别是在排名和F1度量。

综上所述，偏好信息有助于在Top-N推荐中推荐相关PoIs。然而，将其与兼容性评估相结合可以获得更好的结果，该评估旨在评估用户是否能够顺利地体验推荐的项目。有趣的是，对兼容性和偏好信息的统一管理，没有区分有关它们的可能不同的评价标准，不会带来良好的结果。相反，获取用户特定的权重，以平衡兼容性和兴趣的影响，改善项目建议。

回到顶部

9.结论

患有自闭症谱系障碍的用户是PoI推荐系统具有挑战性的目标，因为他们的空间需求。为了提出适合的解决方案，让用户喜欢并平静地体验，她/他对PoI类别的偏好(传统上由研究人员分析)和她/他对感官特征的厌恶，必须联合考虑。原因是厌恶会严重影响访问体验，对用户产生负面情绪。

在本文中，我们提出了一种新颖的Top-N兴趣点推荐，特别针对这些人。我们的模型的特点是，它考虑了个体用户对感官特征的特殊厌恶，从而产生他希望喜欢的建议，同时顺利地体验。我们在自闭症患者和神经正常的人身上测试了我们的模型。评价结果表明，在这两个用户组中，我们的模型比基线推荐器获得了更高的准确性和排名能力，基线推荐器(i)只根据项目是否满足用户的偏好，或它们与用户对感官特征的特殊厌恶的兼容程度来评价项目，(ii)统一管理兼容性和偏好信息，而不区分这些方面对项目评价的不同贡献。因此我们得出结论，整合用户兴趣和厌恶的异构评价标准是一种有前途的方法，使推荐系统更具包容性。

回到顶部

致谢

这项工作得到了圣保罗基金会的支持。我们感谢Stefano Cocomazzi, Stefania Brighenti和Claudio Mattutino对这项工作的贡献。我们也感谢都灵市成人自闭症中心参与PIUMA项目。

回到顶部

回到顶部

回到顶部

数字图书馆是由计算机协会出版的。版权所有©2022 ACM, Inc.

---

没有发现记录