User Modeling in Human-Computer Interaction
A fundamental objective of human-computer interaction research is to make systems more usable, more useful, and to provide users with experiences fitting their specific background knowledge and objectives. The challenge in an information-rich world is not only to make information available to people at any time, at any place, and in any form, but specifically to say the “right” thing at the “right” time in the “right” way. Designers of collaborative human- computer systems face the formidable task of writing software for millions of users (at design time) while making it work as if it were designed for each individual user (only known at use time).
User modeling research has attempted to address these issues. In this article, I will first review the objectives, progress, and unfulfilled hopes that have occurred over the last ten years, and illustrate them with some interesting computational environments and their underlying conceptual frameworks. A special emphasis is given to high-functionality applications and the impact of user modeling to make them more usable, useful, and learnable. Finally, an assessment of the current state of the art followed by some future challenges is given.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.43.6025&rep=rep1&type=pdf
A fundamental objective of human-computer interaction research is to make systems more usable, more useful, and to provide users with experiences fitting their specific background knowledge and objectives. The challenge in an information-rich world is not only to make information available to people at any time, at any place, and in any form, but specifically to say the “right” thing at the “right” time in the “right” way. Designers of collaborative human- computer systems face the formidable task of writing software for millions of users (at design time) while making it work as if it were designed for each individual user (only known at use time).
User modeling research has attempted to address these issues. In this article, I will first review the objectives, progress, and unfulfilled hopes that have occurred over the last ten years, and illustrate them with some interesting computational environments and their underlying conceptual frameworks. A special emphasis is given to high-functionality applications and the impact of user modeling to make them more usable, useful, and learnable. Finally, an assessment of the current state of the art followed by some future challenges is given.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.43.6025&rep=rep1&type=pdf
In short, the goal of this course is to introduce students to ways of thinking about how Artificial Intelligence will and has impacted humans, and how we can design interactive intelligent systems that are usable and beneficial to humans, and respect human values. As students in this course, you will build a number of different interactive technologies powered by AI, gain practical experience with what impacts their usability for humans, understand the various places that humans exist in the data pipeline that drives machine learning, and learn to think both optimistically and critically of what AI systems can do and how they can and should be integrated into society.
TODO: download slides http://www.humanaiclass.org/schedule/
TODO: download slides http://www.humanaiclass.org/schedule/
*Personalized Re-ranking for Recommendation*
Re-ranking в рекомендательных системах зависит от данных пользователя, его предпочтений и намерений.
Для пользователя, который чувствителен к цене, взаимодействие между ценой должно быть более важным в модели повторного re-ranking.
Обычно ранжирование в рекомендательной системе учитывает только особенности пары пользователь-элемент. Pairwise и listwise learning to rank пытаются решить эту проблему, используя в качестве входных данных пару элементов или список элементов. Они сосредоточены только на оптимизации функции потерь, чтобы лучше использовать метки, например, данные о кликах. Они явно не моделировали взаимные влияния между элементами в пространстве признаков.
Исследователи из Alibaba и Kwai предложили использовать Transofrmer, хорошо знакомый по машинному переводу. Их аргументы следующие: в структуре Transformer используется self-attention, в котором любые два элемента могут взаимодействовать друг с другом напрямую без ухудшения encoding distance.
Между тем, Transformer более эффективен, чем RNN из-за возможности распараллеливания. Transformer позволяет моделировать взаимодействия для любого из двух предметов за O (1).
Исследователи представили персонализированную матрицу PV для изучения функции encoding, специфичной для пользователя, которая способна моделировать персонализированные взаимные влияния между парой предметов. Поэтому функцию потерь можно сформулировать следующим образом.
Авторы используют предварительно обученную нейронную сеть для создания персонализированных вложений пользователя, которые затем используются в качестве дополнительных функций для модели PRM. Предварительно обученная нейронная сеть извлекается из click-through logs . Дополнительная информация пользователя включает пол, возраст и информацию о покупках.
Evaluation Metrics
1. Precision@k
2. MAP@k
Для онлайн A/B test, использовали PV (pageView), IPV(itemProudctClick), CTR(click-through-rates) и GMV в качестве метрик.
https://arxiv.org/abs/1904.06813
Re-ranking в рекомендательных системах зависит от данных пользователя, его предпочтений и намерений.
Для пользователя, который чувствителен к цене, взаимодействие между ценой должно быть более важным в модели повторного re-ranking.
Обычно ранжирование в рекомендательной системе учитывает только особенности пары пользователь-элемент. Pairwise и listwise learning to rank пытаются решить эту проблему, используя в качестве входных данных пару элементов или список элементов. Они сосредоточены только на оптимизации функции потерь, чтобы лучше использовать метки, например, данные о кликах. Они явно не моделировали взаимные влияния между элементами в пространстве признаков.
Исследователи из Alibaba и Kwai предложили использовать Transofrmer, хорошо знакомый по машинному переводу. Их аргументы следующие: в структуре Transformer используется self-attention, в котором любые два элемента могут взаимодействовать друг с другом напрямую без ухудшения encoding distance.
Между тем, Transformer более эффективен, чем RNN из-за возможности распараллеливания. Transformer позволяет моделировать взаимодействия для любого из двух предметов за O (1).
Исследователи представили персонализированную матрицу PV для изучения функции encoding, специфичной для пользователя, которая способна моделировать персонализированные взаимные влияния между парой предметов. Поэтому функцию потерь можно сформулировать следующим образом.
Авторы используют предварительно обученную нейронную сеть для создания персонализированных вложений пользователя, которые затем используются в качестве дополнительных функций для модели PRM. Предварительно обученная нейронная сеть извлекается из click-through logs . Дополнительная информация пользователя включает пол, возраст и информацию о покупках.
Evaluation Metrics
1. Precision@k
2. MAP@k
Для онлайн A/B test, использовали PV (pageView), IPV(itemProudctClick), CTR(click-through-rates) и GMV в качестве метрик.
https://arxiv.org/abs/1904.06813
arXiv.org
Personalized Re-ranking for Recommendation
Ranking is a core task in recommender systems, which aims at providing an ordered list of items to users. Typically, a ranking function is learned from the labeled dataset to optimize the global...
Machine learning helps researchers understand human psychology and mental illness by identifying patterns in individuals’ word-use that can be predictive of certain conditions.
https://www.technologyreview.com/s/608322/the-emerging-science-of-computational-psychiatry/
https://www.technologyreview.com/s/608322/the-emerging-science-of-computational-psychiatry/
MIT Technology Review
The Emerging Science of Computational Psychiatry
Psychiatry, the study and prevention of mental disorders, is currently undergoing a quiet revolution. For decades, even centuries, this discipline has been based largely on subjective observation. Large-scale studies have been hampered by the difficulty of objectively…