推荐作为挑战：估算健康行为改变推荐所需努力和用户能力

文献标题

Recommendations as Challenges: Estimating Required Effort and User Ability for Health Behavior Change Recommendations

文献信息

• 主题领域: 健康推荐系统，用户行为变化个性化
• 关键词: 健康推荐系统, 行为改变, 用户能力, 难度, 个性化, Rasch模型, Elo, TrueSkill, Glicko-2

研究背景与问题

• 问题与挑战: 健康推荐系统是否可以基于任务难度和用户能力进行个性化推荐？大部分现有方法（如Rasch模型）依赖密集的用户调查数据，而无法动态捕捉用户行为。
• 重要性: 行为改变干预对预防和控制慢性疾病至关重要；推荐的适当难度能提高用户的参与度，进而改善健康行为干预效果。
• 研究动机与相关工作: 作者梳理了音乐、教育和行为改变领域的相关文献，指出整合基于用户能力及所需努力（难度）理论的推荐方法是一个关键研究空白。

解决方案

• 方法或解决方案:
  1. 提出五种推荐系统方法：
     • 显式预定义任务难度特征
     • 三种来自体育与游戏的评分系统：Elo、Glicko-2和TrueSkill
     • Rasch模型（基于问卷调查的难度建模方法）
  2. 结合长期在线实验与用户交互数据，比较这些方法在估算用户能力和任务努力度方面的表现。
• 创新之处:
  • 将游戏化的算法（Elo、Glicko-2、TrueSkill）首次应用到健康推荐系统中，用以动态生成用户能力和任务难度。
  • 引入时间衰减机制并结合动态用户行为更新个性化推荐，以提高用户参与度。
• 实施步骤与关键技术:
  • 数据收集：通过为期两周的试验收集实证用户行为数据，形成用户-任务交互矩阵。
  • 算法优化与比较：对五种方法分别建模，并从准确性、性能、灵活性等多维度比较它们的优劣。
  • 在线验证：选择性能最优的Glicko-2算法，嵌入完整的推荐系统框架，测试其用户参与度和推荐有效性。

研究成果

• 具体成果:
  • 提出了五种算法的比较评估，发现Glicko-2（尤其是其Hybrid版本）适合行为改变相关的健康推荐任务。
  • 构建了一个包含447项行为干预建议的健康推荐数据集，并通过Rasch模型进行了能力难度建模探索。
  • 设计了符合执行伦理评估和数据隐私规范的应用框架，证明了Glicko-2在动态更新用户能力与任务努力度方面的有效性。
• 与现有解决方案的比较优势:
  • 与Rasch模型和TrueSkill相比，Glicko-2算法处理速度快、更适配动态用户交互数据，且提供了原生时间衰减支持。
  • 在用户能力与推荐难度匹配度上，比传统显式标注方法具有更好的动态适应性。
• 实验或评估结果:
  • 用户实验显示，集成用户能力和任务努力度的推荐方案（基于Glicko-2）显著提升了用户参与度（约3倍增长）。
  • 至关重要的是，用户对高适配度的个性化推荐表现出更高的满意度。
• 局限性与未来方向:
  • 数据规模有限：试验用户总数较小（不到200人），交互数据稀疏性较大（稀疏程度为0.865）。
  • 未来工作将扩展研究范围至其他推荐领域（例如教育、运输领域），并探索更大规模数据集上的方法应用。
  • 建议进一步研究用户能力模型在长期行为跟踪中的动态变化和调整机制。