A model-driven development framework for automated design and development of ubiquitous context-aware recommender systems for commerce

Abstract

Τα συστήματα συστάσεων (recommender systems), για περισσότερο από δύο δεκαετίες αποτελούν την απάντηση στον υπερβολικό όγκο πληροφορίας που υπερφορτώνει τους καταναλωτές στη σύγχρονη ζωή. Τα συστήματα συστάσεων είναι εργαλεία λογισμικού τα οποία στόχο έχουν να ανακαλύπτουν την απαραίτητη γνώση σχετικά με τους χρήστες τους, προκειμένου να τους προσφέρουν εξατομικευμένες συστάσεις (personalised recommendations). Οι συστάσεις προϊόντων σε πελάτες έχουν αποδειχθεί να αυξάνουν τις πωλήσεις, να προσφέρουν μεγαλύτερη ικανοποίηση στους πελάτες και να βελτιώνουν την εμπειρία των πελατών, καθιστώντας τα συστήματα συστάσεων ως ένα σημαντικό εργαλείο για τις επιχειρήσεις λιανικού εμπορίου. Ένα βασικό ερώτημα είναι πώς μπορούν οι επιχειρήσεις να αναπτύξουν συστήματα συστάσεων στα διαδικτυακά τους καταστήματα; Παρά την επιτυχία των συστημάτων συστάσεων στη αγορά, περιορισμένη έρευνα έχει διεξαχθεί όσον αφορά σε θέματα μηχανικής λογισμικού τέτοιων περίπλοκων συστημάτων, και πιο συγκεκριμένα, ότι αφορά την υποστήριξη κατά το σχεδίασμά και την υλοποίηση τους. Η υλοποίηση αποτελεσματικών συστημάτων συστάσεων που να χρησιμοποιούν πληροφορία πλαισίου (context-aware) από μη εξειδικευμένους επαγγελματίες προγραμματιστές δεν είναι εύκολη διαδικασία, λόγω της πολυπλοκότητας στη δημιουργία των απαραίτητων μοντέλων δεδομένων, αλλά και στην επιλογή και διαμόρφωση (configuration) των αλγορίθμων συστάσεων. Η απουσία επιστημονικών εργασιών που να χρησιμοποιούν μεθόδους ανάπτυξης λογισμικού με γνώμονα μοντέλα (Model-Driven Development), με σκοπό το σχεδίασμά, την υλοποίηση και την ανάπτυξη ευρέων (Ubiquitous) συστημάτων συστάσεων επίγνωσης πλαισίου (Context-Aware Recommender Systems), εν συντομία UbiCARS, που να στοχεύουν στην αφαιρετικότητα των τεχνικών λεπτομερών, οτη μείωση της πολυπλοκότητας υλοποίησης, αλλά και στην επίσπευση της υλοποίησης των προαναφερθέντων συστημάτων, έχει αποτελέσει κίνητρο για την εργασία της διατριβής αυτής. Επιπλέον, η εργασία αυτή στοχεύει στην αντιμετώπιση της έλλειψης μεθοδολογιών που να συνδυάζουν άμεσες και έμμεσες τεχνικές απόκτησης δεδομένων ανάδρασης χρηστών (explicit and implicit user feedback acquisition techniques), τόσο από το σενάριο φυσικού εμπορίου (φυσικό κατάστημα) όσο και από το σενάριο ηλεκτρονικού εμπορίου (ηλεκτρονικό κατάστημα), με στόχο την αύξηση της ακρίβειας και της διαθεσιμότητας των συστάσεων στα σενάρια αυτά. Η διατριβή ορίζει και χρησιμοποιεί την έννοια των UbiCARS και προτείνει το UbiCARS Model-Driven Development Framework που στοχεύει στη μείωση της πολυπλοκότητας υλοποίησης, στην αφαιρετικότητα των τεχνικών λεπτομερειών και στην επίσπευση της υλοποίησης συστημάτων συστάσεων για το εμπόριο. Προτείνεται μια νέα γραφική Γλώσσα Μοντελοποίησης Τομέα (graphical Domain Specific Modelling Language - DSML) για τα UbiCARS, που οδηγεί σε σχεδίασμά UbiCARS βασισμένο σε μοντέλα, σε δυναμική διαμόρφωση των UbiCARS στο φυσικό και ηλεκτρονικό εμπόριο, καθώς και στην ενσωμάτωση των UbiCARS σε προϋπάρχοντα ηλεκτρονικά καταστήματα. To framework παρέχει στους επαγγελματίες την γραφική γλώσσα και ένα λογισμικό επεξεργασίας μοντέλων (modelling editor) για τον σχεδίασμά UbiCARS εφαρμογών. Ως δεύτερη συμβολή της διατριβής, το προτεινόμενο framework επιτρέπει στους προγραμματιστές να χρησιμοποιούν κατά τη διαδικασία υπολογισμού των συστάσεων, δεδομένα προερχόμενα από την εφαρμογή άμεσων και έμμεσων τεχνικών απόκτησης δεδομένων ανάδρασης χρηστών, οι οποίες εφαρμόζονται τόσο στο φυσικό κατάστημα όσο και στο ηλεκτρονικό κατάστημα. Ο συνδυασμός των τεχνικών αυτών αναμένεται να βελτιώσει περαιτέρω την ακρίβεια και τη διαθεσιμότητα των συστάσεων. Το framework αξιολογήθηκε με συμμετοχή προγραμματιστών μέσω μιας έρευνας χρησιμοποιώντας ένα ερωτηματολόγιο προσανατολισμένο σε εργασίες (Task). Τα θετικά αποτελέσματα της αξιολόγησης δείχνουν τις δυνατότητες του framework.

Recommender systems have been the answer to the information overload modern life consumers experience for more than two decades. Recommender systems are software tools able to discover the necessary knowledge about users in order to offer them personalised recommendations. Recommendations of products to customers have been proven to boost sales, increase customer satisfaction and improve user experience, 6 making recommender systems an important tool for retail businesses. A key question is how can businesses deploy recommender systems on their on-line retail stores? Despite the success of recommender systems in industry, limited research has been conducted on the engineering aspects of such complex systems in terms of support during their design and development. The development of effective context-aware recommender systems by non-expert practitioners is not an easy task due to the complexity of building the necessary data models and selecting and configuring recommendation algorithms. The absence of works that use Model-Driven Development methods for the design, development and deployment of Ubiquitous Context-Aware Recommender Systems (UbiCARS) that specifically aim for technical abstraction, reduction of development complexity, and development expedition of the aforementioned systems has motivated the work in this thesis. Moreover, this work addresses the lack of methodologies that combine explicit and implicit user feedback acquisition techniques from both the physical commerce scenario (the physical store) and the electronic commerce scenario (the e-store), aiming to enhance recommendation accuracy and availability in these settings. This thesis defines and uses the concept of UbiCARS and proposes the UbiCARS Model-Driven Development Framework that aims to reduce development complexity, abstract the technical details and expedite the development of recommender systems for commerce. A novel graphical Domain Specific Modelling Language (DSML) for UbiCARS is proposed that drives model-based design and dynamic configuration of such systems for physical and online commerce, as well as system integration with preexisting e-stores. The framework provides a DSML and a Modelling Editor for practitioners to use to design their UbiCARS applications. As a second contribution, the framework enables developers in utilising in the recommendation process data from explicit and implicit user feedback acquisition techniques applied in both the physical store and the e-store, a combination which is expected to further improve recommendation accuracy and availability. Accuracy is increased by including additional user feedback data on products in the recommendation computation process. Recommendation availability is increased by enabling the use of additional datasets in the recommendation computation process, to be used where data sparsity or low quality of datasets is observed (e.g. because of the cold start problem). The framework was evaluated with developers via a survey by using a task-oriented questionnaire. The positive results of the evaluation clearly show its potential.