Доборный профиль, расширительный, для пластиковых окон, балконов, лоджий, что это такое, зачем нужен | Все о пластиковых окнах

Доборный (расширительный)пластиковый профиль – это специальный дополнительный профиль, применяющийся для того, чтобы расширить площадь пластиковой части оконной конструкции. Это часто применяется при остеклении лоджий и балконов, когда на стенах и потолке будет применяться дополнительная отделка, и стандартной ширины боковой части рамы недостаточно.

Слева и сверху, по 10 см

Если смотреть на оконную раму из комнаты, то ее боковая часть не превышает 3-4 см. А вы, например, хотите отделать лоджию пластиковой или деревянной вагонкой, что займет все это расстояние и даже больше, и в результате, ваша вагонка просто «упрется» в стекло.

Для того, чтобы рассчитать, какой ширины профиль вам использовать, вам нужно посчитать расстояние, которое займет ваша отделка. Например: 2 см – рейка под вагонку, 3 см – утепляющий материал, 1 см – собственно вагонка. Итого вам нужно дополнительно 6 см, добор примерно такого размера, или чуть больше, вам и надо использовать. Цифры могут быть и другими, утеплитель может быть толщиной и 8, и 10 см. При капитальном утеплении лоджии, слой может достигать 20 см.

Какого размера бывают.

Ширина данный профилей у разных производителей разная, но, как правило, есть следующие стандартные размеры – 2 см, 4 см, 10 см, иногда встречается размер толщиной 6 см. Доборы можно применять по несколько штук, например, если вам нужно расстояние 8 см. вы берете две детали по 4 см. Они вставляются друг в друга как конструктор. Если ваше расстояние очень большое, например, 18 см, вы берете 10+4+4 см. Длина, так же как и любого другого, составляет 6 метров.

Требования.

Если вы капитально утепляете лоджию, то к добору предъявляются те же требования, что и к пластиковому. То есть в нем обязательно должно быть армирование, специальный П-образный (или О-образный) стальной профиль внутри. На срезе изделия его прекрасно видно. Без армирования оконная конструкция будет промерзать и не будет необходимой жесткости.

Добор защелкивается на боковой части в пазы, но он обязательно должен быть скреплен с окном саморезами или другими креплениями, иначе со временем есть вероятность образования щели. Для дополнительной теплоизоляции между добором и окном перед соединением может проклеиваться теплоизоляционная лента.

Доборы, принцип использование видео:

Дополнительные профили для окон

Наша компания предлагает для оконных компаний профили расширительные, соединительные и подставочные, аналоги KBE, VEKA, REHAU.

Подставочный профиль ПВХ

Подставочный профиль необходим при монтаже пластиковых окон и является основой оконного блока. Профиль подставочный способствует более высокой надежности конструкции окна, а также упрощает установку подоконника и отлива. Кроме того, он является промежуточным звеном между основанием (кирпичная или бетонная стена) и самой рамой окна, что предотвращает промерзание оконной конструкции. Мы предлагаем подставочные профили аналоги КБЕ для 58 и 70 серии.

Профиль подставочный аналог КВЕ 142

Профиль подставочный аналог КВЕ 343R

Профиль подставочный аналог КВЕ 342

Соединительный профиль ПВХ

Соединительный профиль предназначен для соединения элементов конструкций оконных, балконных и дверных коробок, которые состоят из нескольких оконных рам. Такие профили позволяют состыковать профили оконных рам под необходимым углом, что активно применяется при остеклении зимних садов, перегородок и окон больших размеров и сложных конструкций. Мы предлагаем соединительные профили аналоги КБЕ, Rehau, Veka 0 град., 90 град. и с изменяемым углом.

Профиль соединительный аналог KBE 150, 58 серия

Профиль соединительный аналог KBE 350, 70 серия 

Профиль соединительный аналог VEKA 116.010, 58мм

Профиль соединительный аналог REHAU 732.460, 60мм

Профиль угловой 89мм 90 град. аналог KBE 155, 58 мм

Профиль угловой 89мм 90 град. аналог KBE 355, 70мм

Профиль соединительный 95мм эркерный, аналог KBE 540, 58мм

Адаптер 48мм соединительного профиля аналог KBE 541, 58мм

Профиль соединительный 95мм эркерный, аналог KBE 340, 70мм

Адаптер 48мм соединительного профиля, аналог KBE 341, 70мм

Профиль соединительный 48, аналог KBE 152, 58мм

Профиль соединительный 48, аналог KBE 352, 70мм

Расширительный профиль ПВХ

Расширительный профиль пвх для окон применяется в качестве дополнительного профиля, когда необходимо увеличить исходные размеры оконной коробки, например, при утеплении или отделке потолка и стен балкона. Мы предлагаем аналоги расширительных профилей КБЕ, Rehau и Veka шириной 30, 45 и 60 мм. Доборный профиль не предназначен для усиления конструкции, его основная цель — расширить возможности архитектуры балконных, дверных или оконных строений.

Профили расширительные для KBE 58мм

30мм, Арт. 144

45мм, Арт. 545

60мм, Арт. 546

Профили расширительные для KBE 70мм

30мм, Арт. 360

60мм, Арт. 455

Профиль расширительный 40мм для REHAU 60мм

Закупаем отходы ПВХ оконного производства.

За подробной информацией обращайтесь к менеджерам нашей компании.

Расширительный профиль WasserKRAFT D250 для душевых уголков серии Lippe 45S

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

WasserKRAFT, Германия  

WasserKRAFT, Германия  

WasserKRAFT, Германия  

WasserKRAFT, Германия  

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

WasserKRAFT, Германия  

WasserKRAFT, Германия  

WasserKRAFT, Германия  

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

БЕСПЛАТНАЯДОСТАВКА

WasserKRAFT, Германия  

WasserKRAFT, Германия  

Профиль расширительный Uponor Multi 100х10

  Доставка по Киеву

Доставка товаров по Киеву осуществляется бесплатно (до подъезда) при заказе на сумму более 5000 грн. Если сумма заказа составляет менее 5000 грн — стоимость доставки составляет 100 грн.

Служба доставки товаров по Киеву работает с понеделька по пятницу с 10:00 до 19:00, другое время доставки оговаривается индивидуально с Вашим менеджером.

Покупатели нашего интернет-маркета также имеют возможность забрать самостоятельно товар в офисе компании по адрксу: г. Киев, ул. Сырецкая, 9, БЦ «МАЯК», оф. 201 (с понеделька по пятницу с 9:00 до 18:00).

Просим учесть, что весь ассортимент товаров разместить в офисе мы, к сожалению, не можем, пожалуйста, согласовывайте свой визит и предварительно резервируйте товар у менеджера.

   Доставка по Украине
Доставка товаров осуществляется практически в любую точку Украины транспортной компанией «Новая почта» (Список и адреса отделений Вы можете посмотреть здесь …). Отправка товара производится после оплаты его полной стоимости.

Для оперативности доставки и удобства оплаты в нашем интернет-маркете iTorus, Вы можете воспользоватся услугой «Обратная доставка» (Наложенный платеж) и оплатить товар при его получении в Вашем населенном пункте в максимально сжатые сроки. При получении заказа Вы сможете проверить внешний вид и комплектацию товара.

Стоимость доставки по Украине оплачивает получатель. (Просчитать предварительную стоимость доставки  можете здесь →)

Наличный расчет

Производится только в национальной валюте.  Вы можете осуществить оплату непосредственно после доставки нашим экспедитором заказанного товара или же произвести платеж при оформлении заказа в нашем офисе.

 
Безналичный расчет

Оплата по безналичному расчету осуществляется следующим способом: после оформления заказа, менеджер нашей компании факсом или электронной почтой вышлет Вам счет-фактуру, который Вы сможете оплатить в кассе отделения любого банка или с расчетного счета Вашей организации. Для юридических лиц пакет всех необходимых документов предоставляется вместе с товаром.

Оплата товара при получении заказа (наложенный платеж)

Для Вашего удобства в интернет-маркете Torus, Вы можете воспользоватся услугой «Обратная доставка» (Наложенный платеж) и оплатить товар при его получении в Вашем населенном пункте в максимально короткие сроки. При получении заказа Вы сможете проверить внешний вид и комплектацию товара.

Стоимость услуги «Обратная доставка» составляет 2% от суммы заказа.

Доборный (расширительный) профиль для пластиковых окон – зачем он нужен?

Вы решили застеклить лоджию или балкон, и точно представляете, как будет выглядеть это пространство. Когда дело дойдет до технических моментов, обнаружится масса нюансов, от которых будет зависеть внешний вид и качество монтажа оконных конструкций. В случае, когда оконная рама должна быть более широкой, чем стандартный профиль, используется доборный профиль для пластиковых окон. Это необходимо для того, чтоб готовая лоджия или балкон были установлены, согласно всем техническим требованиям, а также для того, чтоб вам было удобно открывать и закрывать створки окон.

Что же такое доборный пластиковый профиль? Это специальный ПВХ элемент, который крепится к оконной раме для расширения ее площади. Чаще всего он используется на потолке и стенах балконов и лоджий.

Кроме словосочетания «доборный профиль»,  часто также встречается выражение «расширительный профиль». Такое его название более точно отображает функции этого элемента.

Пластиковые доборные (расширительные) профили могут иметь различную ширину. У всех производителей она разная, но стандартными считаются размеры 20, 40 и 100 мм.  У некоторых фирм-производителей можно встретить также доборные профили шириной 60 мм. Если возникает необходимость увеличить ширину металлопластиковой рамы, скажем, на 160 мм, то используют сразу несколько профилей, которые крепятся друг к другу.

Расширительные профили для пластиковых окон довольно просты в эксплуатации и позволяют увеличивать раму оконной конструкции на различную ширину. Они крепятся друг к другу с помощью специальных пазов, как детали конструктора, обеспечивая легкость и надежность монтажа. К оконной конструкции доборный профиль прикрепляется саморезами.

Требования, которые применяются к доборному профилю такие же, как и к оконному металлопластиковому профилю. То есть в случае, когда вы решили сделать на лоджии или балконе капитальный ремонт и утеплить ее, расширительный профиль должен иметь внутри стальное армирование. Это обеспечит долговечность вашему ремонту и убережет балкон или лоджию от промерзания.

Наша компания уже много лет имеет опыт безупречной работы в сфере производства и монтажа пластиковых окон Rehau. Если у вас возникнут вопросы, вы всегда можете обратиться к нашим специалистам для получения квалифицированного и полного ответа. Для этого стоит позвонить по телефонам, указанным на сайте, либо посетить один из салонов компании, удобно расположенных по городу. Мы заботимся о качестве ваших окон. Ждем вас с нетерпением.

Профили деформационных швов и деформационные швы

• Продукты
• Приложения
• Сервис
• Компания
• Скачать

Поиск

Профили для облицовки декоративных плиток дизайнерские полыОтделочные профили для паркета, ламината, ковровых покрытий и дизайнерских половПереходные профили для паркета, ламината, ковровых покрытий и дизайнерских полов Профили для компенсации высоты для паркета, ламината, ковровых покрытий и дизайнерских полов Разъединение • Дренаж • Герметизация • ИзоляцияСветодиодные профили • Светодиодное освещениеОблицовкаДушевые системы на уровне полаБалконы • Террасы • Входы вспомогательные средства ориентации Инструменты • Системы выравнивания плитки Принадлежности • Монтажные материалы Профили Z-Flex для создания кривых

Ванные комнатыКухниГостиныеБалконы / террасыLEDTactile
Запросить прайс-листУстановка и обслуживаниеНовостная рассылкаПрессаВыставкиПомощь для продаж
О насКачествоВакансииНаправленияКонтактное лицоКонтакт

Профили для облицовки кромокПрофили для декоративной плиткиПрофили для плитки
для стыков между стеной и поломПрофили для плитки для переходов для пола / пола
Профили для защиты углов
Профили для столешниц Профили для деформационных швов и профили для деформационных швов Профили для ступенек со специальной вставкой ламинат, ковролин
и дизайнерские полыОтделочные профили для паркета
, ламината, ковровых покрытий
и дизайнерских полов Переходные профили для паркета
, ламината, коврового покрытия
и дизайнерских напольных покрытий Профили для компенсации высоты
для паркета, ламината, ковровых покрытий
и дизайнерских полов Разъединение • Дренаж •
Уплотнение • ИзоляцияСветодиодные профили • Светодиодное освещениеОблицовка Душевые системы на уровне пола Балконы • Террасы • ВходыДверные коврикиТактильные средства ориентированияИнструменты • Системы выравнивания плитки Аксессуары • Монтажные материалы Профили Z-Flex для создания изгибов
Профили DURAFLEX для компенсаторов и деформационных швов с индивидуальным подбором цвета
как для заполнения, так и для профиляDURAFLEXПрофили для расширительных швов для монтажа в тонком слоеDURAFLEX PVCPVC-профили для компенсаторов для тонкослойных конструкций и виброполамDURAFLEX BPРасширяющий профиль из алюминия со сменным заполнением из TPEDURAFLEX GFSРасширенный профиль из сплошного алюминияDURAFLEX TLMetal установка кровати и виброплита DURAFLEX SBAluminium / EPDM расширения
стыковые профили (37 мм) для зданий
DURAFLEX SDAлюминиевый / TPE компенсаторный профиль для дооснащения на полах и стенахDURAFLEX WDAАлюминиевый / TPE-компенсаторный профиль для монтажа на стены и потолокDURAFLEX SGНержавеющая сталь / нитриловый каучук
профили компенсаторов для зданий
DURAFLEX KEC Накидные профили для последующей установки DURAFLEX KFC Накладные профили для последующей установкиDURAFLEX KAC Верхние профили для последующей установки

ПродукцияПлитные профилиНапольный душДверные коврикиПрофили для перилПрофили для выступов лестницПрофили для расширительных швовСветодиодные профилиПомощи для тактильного ориентированияПрофили для столешницДренажный каналБалконные профили « ангел »

GTC • Выходные данные • Политика конфиденциальности

Деформационные швы для полов | Продукция

Что такое деформационные суставы?

Швы между керамической плиткой являются компенсационными. Их необходимо устанавливать во время укладки, потому что плитки, естественно расширяющиеся и сжимающиеся при изменении температуры и влажности, могут столкнуться друг с другом с последующим образованием трещин. В дополнение к швам, когда поверхность мощеного покрытия превышает определенный размер, необходимо создать монтажные перерывы немного большей толщины, в которые вставляются профили с упругой вставкой с целью разделения пола на меньшие площади, поглощая механические нагрузки. между ними.Эти швы, называемые компенсаторами, включают только толщину покрытия. То же самое относится к любому типу укладываемого материала, как для внутренней, так и для наружной укладки. Каждый материал имеет свои физико-механические характеристики, поэтому в каждом конкретном случае необходимо соблюдать особые меры предосторожности, а именно определение того, где абсолютно необходимо выполнить компенсационный шов.

Какой компенсатор выбрать

Ассортимент компенсаторов широк, и разобраться, какой выбрать профиль, — не сложное решение. Все зависит от типа напольного покрытия (материала и размера, ширины швов, характеристик клея и затирки) и предполагаемого использования. Возьмем пример внутреннего покрытия пола, предназначенного только для пешеходного перехода: если вы кладете плиты с зазором 3/32 дюйма (2 мм) и, возможно, не очень эластичный клей, вам придется выбрать алюминиевый шов со вставкой из EPDM. , довольно широкий, ближе к 15/32 дюйма, чем на 3/16 дюйма (12, чем на 5 мм), например Coflex CB. Напротив, с меньшими размерами, с эластичным клеем и стяжкой, подходящей для пола, Вы можете оценить пластиковый профиль, такой как Coflex CAJ, и приблизиться к 5 мм.В случае укладки мрамора, для чего необходимо выровнять пол, вам необходимо выбрать соединение Coflex CTL, доступное из различных материалов и со вставкой разных цветов.

Аспродизайн

ЧТО ТАКОЕ РАСШИРИТЕЛЬНОЕ СОЕДИНЕНИЕ?

Здания с широким основанием спроектированы как независимые блоки для предотвращения
повреждения, которые могут возникнуть в конструкции здания из-за расширения,
схватки или осадки земли. Промежутки между этими блоками
называется «Дилатация» или «Деформационный шов».

КАКОЙ ТИП ЗДАНИЯ ДОЛЖЕН БЫТЬ СОХРАНЕН?

На полах и стенах зданий с широким основанием, таких как; поход по магазинам
торговые центры, отели, бизнес-центры, фабрики, стадионы, гипермаркеты
в зависимости от типа почвы и веса расширения здания
стыки необходимо оставлять через каждые 20 — 30 метров.

В очень высоких зданиях компенсационные швы должны находиться между высокими
и низкие блоки.Места и ширина компенсаторов должны быть
определяется инженером-строителем с учетом горизонтального и
вертикальные перемещения зданий.

УБЫТКИ, КОТОРЫЕ МОГУТ ПРИНИМАТЬСЯ, ЕСЛИ ПРОФИЛЬ РАСШИРИТЕЛЬНОГО СОЕДИНЕНИЯ НЕ ИСПОЛЬЗУЕТСЯ, НЕ УСТАНОВЛЕН НЕПРАВИЛЬНО ИЛИ НЕПРАВИЛЬНО ВЫБРАН ПРОФИЛЬ
Трещины на полу, стенах и потолке, деформации в
профиля, проблемы с изоляцией и повреждения в точках крепления будут
происходить. Устранение этих повреждений и применение правильного профиля будет
дополнительная трата времени и денег.

Следовательно, помимо правильного выбора профиля и установочного материала,
установка профиля опытной бригадой по установке
критически важно.

Техническая информация

Профили для пола, стен и потолка Asteknik производятся в соответствии с нормами DIN с учетом статических расчетов и расчетов сопротивления и устойчивы к давлению и трению.

«Профили для тяжелых условий эксплуатации» для участков проезда грузовиков и / или вилочных погрузчиков, «водонепроницаемые профили» для участков с риском утечки воды и «сейсмические профили» с высокой подвижностью для зон землетрясений входят в стандартный ассортимент продукции Asteknik.

Профильные уплотнения изготавливаются из EPDM или TPE (термопластичный эластомер) разных цветов. Профили могут изготавливаться от 10 мм до 400 мм. Все профили имеют угловые типы, и у большинства из них есть пол и стена.

Как выбрать нужный профиль?

Выбор правильного профиля является наиболее важным моментом и может вызвать множество проблем, если не будет выполнен должным образом.

Прояснение тем, перечисленных ниже, приведет вас к нужному профилю.

1- ОТВЕРСТИЕ ШВА — ЗАЗОР (Fb)
Зазор между двумя строительными блоками обязательно должен быть известен.

2 — СПОСОБ И МЕСТО НАНЕСЕНИЯ

Следует знать, будет ли профиль наноситься на поверхность или заподлицо.
Тип для скрытого монтажа должен быть предпочтительным, если поверхностное покрытие не было нанесено, в то время как тип для поверхностного монтажа должен использоваться для готового покрытия.

a) Установка заподлицо

От пола до стены От пола

b) Установка на поверхность

От пола до стены От пола

Поскольку некоторые профили могут не подходить для наружного применения, необходимо определить место использования.

3 — ТОЛЩИНА ПОКРЫТИЯ (H)

Для установки заподлицо, чтобы определить высоту профиля, необходимо знать толщину покрытия.

4 — ГРУЗОПОДЪЕМНОСТЬ

Для профилей пола должна быть известна передаваемая нагрузка (пешеход, автомобиль, грузовик, вилочный погрузчик и т. Д.).
Для грузовиков и вилочных погрузчиков должна быть определена их максимальная полезная нагрузка.
Тип колеса (пневматическое, полиамидное и т. Д.) Является важной деталью для вилочных погрузчиков и ричтраков.

5 — СПОСОБНОСТЬ ДВИЖЕНИЯ

Возможности горизонтального и вертикального перемещения, необходимые между двумя строительными блоками, должны быть указаны инженером-строителем в зависимости от высоты, типа, нагрузки и грунта здания.
Если существует, необходимо указать предполагаемую способность к боковому сдвигу.

6 — ДОПОЛНИТЕЛЬНЫЕ ПОКАЗАТЕЛИ

В местах с риском протекания воды следует использовать водонепроницаемые профили или водонепроницаемую мембрану.
В зонах с высоким риском землетрясений предпочтение отдается сейсмическим профилям.
Для обеспечения огнестойкости профили должны применяться с системами противопожарной защиты Asteknik.
Если профиль будет подвержен любому химическому воздействию, перед размещением заказа необходимо указать тип химиката, чтобы выбрать правильный тип профиля и прокладки.

ПИКТОГРАММЫ

Грузоподъемность

Грузоподъемность рассчитана с учетом максимальной скорости автомобиля 20 км / ч.

Направления движения

Прочие элементы

Металлический профиль для расширения настила EWA40

Сведения о доставке

Мы знаем, насколько важной может быть покупка напольного покрытия, поэтому мы гордимся тем, что предоставляем быструю и профессиональную услугу доставки для всех наших клиентов.

Когда прибудет мой заказ?

Наша стандартная доставка обеспечивает заказы до дверей в течение 2-5 рабочих дней.Поскольку мы хотим убедиться, что вы будете доступны для получения доставки лично, мы свяжемся с вами, чтобы обсудить наиболее удобные для вас время и дату. Это означает, что мы не сможем отправить какие-либо товары, пока не поговорим с вами, чтобы подтвердить дату. Если по какой-либо причине возникнут какие-либо проблемы или задержки, мы назначим вам альтернативную дату. Нашим приоритетом является предоставление вам решения по напольному покрытию как можно быстрее и в удобное для вас время.

Сколько будет стоить доставка?

Для материковой части Великобритании стандартная доставка стоит 29 фунтов стерлингов.50. За доставку за пределы материковой части Великобритании, включая Ирландию, будет взиматься дополнительная плата.

Могу ли я выбрать конкретный слот или субботнюю доставку?

Если вам необходимо получить товар в сжатые сроки, вы можете запросить доставку напольного покрытия в определенное время. Это повлечет за собой дополнительную плату в размере 20 фунтов стерлингов и рекомендуется тем, кто не сможет посвятить целый день ожиданию доставки. Вы также можете запросить утреннюю доставку за дополнительную плату в размере 12 фунтов стерлингов.50.

Если вы размещаете заказ в любое время в течение недели до 10 утра пятницы, вы также можете выбрать время доставки в субботу. За эту услугу также взимается дополнительная плата в размере 42,50 фунтов стерлингов.

Обратите внимание: некоторые услуги могут быть недоступны в определенных частях страны. Все указанные цены доставки включают НДС, если не указано иное.

Что еще мне нужно сделать?

Все поставки осуществляются «на бордюре», и мы рекомендуем организовать соответствующую помощь для разгрузки ваших товаров, если вы не можете самостоятельно уложить напольное покрытие.Предполагается, что адрес доставки будет доступен. За неудавшуюся доставку будет взиматься плата за повторную доставку.

Profile Products запускает расширение на 9 миллионов долларов после крупных приобретений и улучшений

«Мы постоянно ищем способы улучшить отрасли, которые мы обслуживаем, с помощью наших инновационных продуктов, современного оборудования и образовательных инициатив», — сказал Джим Таннер, президент и генеральный директор Profile Products. «Это расширение является продолжением нашего стремления удовлетворить потребности наших клиентов и превзойти их ожидания, предоставив лучшие решения для их среды. «

В 2019 году Profile добавила второй завод по переработке волокна в Коновере, штат Северная Каролина, что вдвое увеличило производственную мощность завода, создало ультрасовременные теплицы и добавило новые технологии обработки волокна. С тех пор компания значительно выросла за счет приобретения HydroStraw, производителя продуктов для борьбы с эрозией на основе соломы, и Sunterra Horticulture, ведущего производителя сфагнового торфа.

Новые инвестиции позволят значительно увеличить мощности по переработке волокна, высокотехнологичную упаковку и современные складские помещения как в Северной Каролине, так и в Рокфорде, штат Вашингтон.Кроме того, Profile продолжит инвестировать в свою лидирующую позицию в области охраны окружающей среды, расширив несколько программ, в которых приоритетным будет использование продуктов с самым высоким содержанием вторичного содержимого, доступных для соответствующих отраслей, включая упаковку. Profile также удалила более 3,5 миллиардов фунтов древесины и бумаги из потока отходов и продуктивно вернула их в окружающую среду.

«Когда компании выбирают продукты Profile, они ставят на первое место окружающую среду», — сказал Таннер.«Мы гордимся тем, что все больше и больше компаний признают ценность экологичного проектирования, и наше расширение поможет удовлетворить этот растущий спрос».

Чтобы помочь профессионалам отрасли понять ценность экологичного проектирования и эффективность гидравлически применяемых продуктов компании, Profile завершила более 1200 обедов и обучения за последние два года. Темы обеда и обучения включают в себя, в частности, новейший передовой продукт Profile, ProGanics ^® DUAL ^™ Biotic Soil + Erosion Control.Эти образовательные инициативы были ключевой частью приверженности Profile к отрасли.

Проекты расширения будут завершены в течение следующего года. Эти инвестиции являются частью стратегического плана роста Profile. Для получения дополнительной информации о продуктах Profile посетите ProfileProducts.com.

О компании Profile Products
Компания PROFILE Products LLC, штаб-квартира которой находится в Буффало-Гроув, штат Иллинойс, является ведущим в мире поставщиком экологически безопасных, ориентированных на конкретные участки решений для садоводства, борьбы с эрозией и создания растительности, модификации почвы и спортивного газона. Для получения дополнительной информации звоните по телефону (800) 508-8681, по всему миру +1 (847) 279-3751, по электронной почте [адрес электронной почты защищен] или посетите сайт profileproducts.com.

Контактное лицо: Дженна Джейнс
Swanson Russell
402-437-6406
[электронная почта защищена]

SOURCE PROFILE Products LLC

Ссылки по теме

https://www.profileproducts.com

Расширение профиля высокого порядка для решения новой проблемы пользователей в рекомендательных системах

Abstract

Алгоритмы совместной фильтрации предоставляют пользователям рекомендации, основанные на их мнениях, то есть на оценках, выставленных пользователем для некоторых элементов.Это самые популярные и широко применяемые алгоритмы в рекомендательных системах, особенно в электронной коммерции, учитывая их хорошие результаты. Однако, когда информация крайне скудна, независимо от характера предметной области, они не дают таких хороших результатов. В частности, трудно предложить достаточно точные рекомендации пользователю, который только что вошел в систему или оценил несколько элементов. Это хорошо известная проблема новых пользователей, разновидность холодного старта. Методы расширения профиля уже были представлены как способ облегчить эту ситуацию.Эти методы увеличивают размер профиля пользователя за счет получения информации о вкусах пользователя различными способами. Следовательно, рекомендательные алгоритмы имеют в своем распоряжении больше информации, и результаты улучшаются. В этой статье мы представляем методы расширения профиля высокого порядка, которые по-разному сочетают методы расширения профиля. Результаты показывают улучшение точности на 110% по сравнению с алгоритмом без расширения профиля и на 10% по сравнению с методами расширения профиля.

Образец цитирования: Fernández D, Formoso V, Cacheda F, Carneiro V (2019) Расширение профиля высокого порядка для решения новой проблемы пользователей в рекомендательных системах. PLoS ONE 14 (11):
e0224555.

https://doi.org/10.1371/journal.pone.0224555

Редактор: Ле Хоанг Сон,
Вьетнамский национальный университет, ВЬЕТНАМ

Поступила: 28.03.2019; Дата принятия: 16 октября 2019 г .; Опубликовано: 7 ноября 2019 г.

Авторские права: © 2019 Fernández et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Полный набор данных для экспериментов по расширению профиля высокого порядка был опубликован в общедоступном репозитории: https://doi.org/10.6084/m9.figshare.9798155.

Финансирование: Это исследование было поддержано Министерством экономики и конкурентоспособности Испании (проект TIN2015-70648-P), Xunta de Galicia (Centro singular devestigacion de Galicia, аккредитация ED431G / 01 2016-2019) и Европейский Союз (Европейский фонд регионального развития — ERDF). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Доступная информация растет с каждым днем. Многие сайты электронной коммерции предлагают огромное количество товаров. В связи с этим они используют рекомендательные системы для представления подходящей информации в соответствии со вкусами пользователей, упрощая процесс принятия решений.Следовательно, пользователи с большей вероятностью найдут то, что они ищут, и удовлетворит свои потребности, что в то же время приведет к потенциальному увеличению прибыли сайтов.

Среди техник рекомендаций, совместная фильтрация [1] показала очень хорошие результаты во многих областях. Они создают профили на основе пользовательских предпочтений. Используя эти профили, они ищут сходства между пользователями или предметами, чтобы выполнять различные рекомендательные задачи [2]. Однако, когда у конкретного пользователя очень мало оценок, система не способна вычислить достаточно хорошую для него рекомендацию, так как она недостаточно знает об их вкусах [3].Это хорошо известная проблема холодного старта [4] и, более конкретно, так называемая проблема нового пользователя [5].

В этой работе мы исследуем методы расширения профиля (PE) [6], которые были предложены для решения проблемы нового пользователя без участия пользователя. Они автоматически предоставляют рекомендательному алгоритму дополнительную информацию о вкусах пользователей. Фактически, характер этой информации сильно зависит от выбранной техники. Мы анализируем их поведение в нескольких ситуациях и раскрываем их преимущества и недостатки.Рассматривая этот анализ, мы предлагаем, как объединить эти методы, чтобы воспользоваться их преимуществами, минимизируя влияние их ограничений. Таким образом, профиль пользователя пополняется рейтинговой информацией, полученной из различных источников. Определенные новые методы называются методами расширения профиля высокого порядка (HOPE), поскольку вместо использования одного метода PE можно комбинировать два или более методов, так что новые и разнообразные оценки добавляются к профилям пользователей с небольшим количеством оценок.

В этой статье мы стремимся продемонстрировать, как результаты, полученные с помощью методов PE, улучшаются за счет комбинирования различных методов PE.Для этого мы сравним точность рекомендаций, полученных с помощью пользовательского алгоритма k-ближайших соседей (kNN) [7] в новой ситуации холодного запуска пользователя без PE, вычисления простого PE и применения HOPE.

В следующем разделе мы обсудим соответствующую работу, направленную на решение проблемы нового пользователя. Особое внимание мы уделяем технике физкультуры. Далее мы объясняем предлагаемый нами метод и его варианты. Далее мы излагаем проведенные эксперименты и обсуждаем их результаты. Наконец, мы представляем некоторые выводы и будущую работу.

Уровень техники

Методы совместной фильтрации основаны только на предпочтениях пользователя в форме рейтингов элементов, чтобы дать рекомендацию. Среди них алгоритмы kNN очень популярны [7], потому что они просты, стабильны, легко объяснимы [8] и могут давать рекомендации в режиме реального времени. Это желательно для коммерческих интернет-сайтов и социальных сетей [9]. Они работают, находя набор из k пользователей, наиболее похожих на пользователя, для которого они вычисляют рекомендацию (активного пользователя).Эти k пользователей известны как соседи. Сходство вычисляется согласно функции подобия. Обычно используются корреляция Пирсона [10] и сходство косинусных векторов [11].

Алгоритмы kNN можно разделить на пользовательские [10] и поэлементные [12]. Когда используется алгоритм kNN на основе пользователей (аналогично с элементами на основе), пользователи полагаются на мнение своих k наиболее единомышленников (своих соседей), чтобы получить точную рекомендацию. Либо прогноз рейтинга для конкретного элемента (аннотация в контекстной задаче), либо список рекомендаций (задача поиска хороших элементов) [2], получается из информации, предоставленной этими соседями.

Алгоритмы совместной фильтрации хорошо работают, когда доступно много оценок. Однако иногда информация о конкретном пользователе (проблема нового пользователя), элементе (проблема нового элемента) или даже информация во всей системе (проблема новой системы) действительно скудна. Это три ситуации холодного пуска [4].

В этой работе мы сосредоточимся на проблеме нового пользователя. В литературе использовались разные подходы к решению этой проблемы. В принципе, их можно разделить на те, в которых пользователь участвует для предоставления системе дополнительной информации, и те, в которых пользователь не вмешивается.

Самый простой способ получить дополнительную информацию о пользователе — это спросить его напрямую. Процесс сбора этих начальных оценок, известный как процесс выявления [13], может означать успех или неудачу в удержании пользователя в системе [14]. Начальные элементы должны быть тщательно выбраны, и количество выбранных элементов не должно быть чрезмерным, чтобы не беспокоить пользователей [15]. Взамен пользователи ожидают получить хорошие рекомендации. Таким образом, у каждого пользователя будет как минимум то количество оценок, которое система запрашивает при регистрации.Были предложены различные решения, чтобы справиться с этим процессом выявления. Рашид и др. . изучить, как изучать новые предпочтения, применяя теорию принятия решений и энтропию [13]. Другие авторы используют процесс начальной загрузки на основе дерева, чтобы побудить пользователей высказать свое мнение [16], ленивое дерево решений, с попарными сравнениями в узлах принятия решений [17] или даже геймификацией [18]. Как уже упоминалось ранее, количество оценок, которые должны быть получены от нового пользователя перед предоставлением рекомендаций, становится ключевым аспектом для изучения [15].

Однако иногда недостаточно напрямую спросить пользователя. Например, эти запросы могут раздражать некоторых пользователей, которые считают, что нет необходимости оценивать элементы, когда они только что прибыли в систему. Когда у пользователя мало оценок, рекомендация обычно неточна или система может быть неспособна вычислить рекомендацию. Таким образом, и в зависимости от контекста, может быть даже лучше не показывать рекомендации, чем беспокоить пользователей. В любом случае, если информации мало, но система может предоставить пользователю достаточно точные рекомендации, чтобы сохранить их в системе, процесс извлечения может оказаться ненужным.

Другие альтернативы без вмешательства пользователя предпочтительны. Например, в [19] авторы показывают, что рекомендации, основанные на популярности, новизне и положительных оценках, не подходят всем новым пользователям, и поэтому исследуют охват пользователей, чтобы разнообразить рекомендации. Некоторые авторы изучали, как модифицировать алгоритмы kNN, чтобы улучшить рекомендации. Традиционные меры сходства создают несколько проблем, когда информации недостаточно, потому что они слишком строги [20]. В этих ситуациях в качестве альтернативы традиционным методам были представлены несколько мер подобия: новая мера подобия для алгоритмов kNN, основанная на близости, влиянии и популярности пользовательских оценок [21]; еще один основан на комбинации шести индивидуальных мер сходства [22]; или мера подобия, основанная на вероятности [23].

В дополнение к этому, методы PE были представлены как метод решения новой пользовательской проблемы без вмешательства пользователя [6]. Они основаны на методах расширения запроса, используемых при поиске информации [24]. В частности, они увеличивают объем информации, доступной для пользовательского алгоритма kNN, который выполняет задачу поиска хороших элементов, то есть пытается найти список элементов, которые могут понравиться пользователю. Далее мы более подробно объясняем эти методы и результаты исследования.

Методы расширения профиля

При совместной фильтрации профиль пользователя состоит из элементов, которые он оценил, вместе с оценками, которые они дали этим элементам. Когда профиль пользователя очень маленький, то есть когда информации о пользователе очень мало, меры сходства обычно не работают, поэтому соседство вычисляется неправильно. Поскольку информация для расчета списка рекомендаций получается из окрестностей, точность рекомендации будет низкой. Следовательно, пользовательские алгоритмы kNN не работают должным образом в новой пользовательской ситуации [25].

Методы расширения профиля

предоставляют рекомендательному алгоритму дополнительную информацию о пользователе. Для этого они увеличивают профиль пользователя дополнительными элементами, составляя l количество добавленных элементов. Причем делают это автоматически, без привлечения пользователя.

На рис. 1 показан процесс рекомендации при использовании PE. Во-первых, первоначальный профиль пользователя расширяется с помощью алгоритма расширения.Результирующий профиль является входными данными для алгоритма рекомендаций, который отвечает за вычисление списка рекомендаций. В частности, как уже упоминалось, пользовательская kNN использовалась в качестве основного рекомендательного алгоритма, хотя могли использоваться и другие алгоритмы.

Были предложены различные подходы к расширению профиля пользователя. Мы фокусируемся на методах совместной работы, поскольку они используют преимущества существующего профиля пользователя и не требуют от пользователя предоставления дополнительной информации. Среди них наилучшие результаты показали методы item-global (IG) и user-local (UL) [6].

Методы

IG расширяют профиль пользователя, выполняя поиск в системе элементов, наиболее похожих на те, которые были оценены пользователем. Они применяются перед вычислением окрестности для основного алгоритма. Для этого использовался поэлементный алгоритм kNN. Список рекомендаций, полученный с помощью этих методов, имеет низкую специфичность, поскольку используется глобальная информация; поэтому элементы, добавленные в расширенный профиль пользователя, будут иметь низкую специфичность.Однако, поскольку большинство элементов, которые похожи на элементы в профиле пользователя, скорее всего, будут выбраны алгоритмом (с учетом всех элементов в системе), эти методы обычно не приводят к большим ошибкам. То есть большинство элементов в списке рекомендаций (не только те, которые находятся наверху) часто связаны с элементами профиля пользователя.

С другой стороны, методы UL используют только соседство, вычисленное для основного алгоритма, в качестве источника информации для поиска новых элементов. После получения этих новых элементов и, следовательно, расширенного профиля, основной алгоритм вычисляет новое соседство, чтобы представить список рекомендаций.Для выбора предметов было предложено несколько приемов. Подход с наибольшим рейтингом (MR) выбирает элементы с наибольшим рейтингом в округе. Соседи по локальному элементу (LN) и кластеризация по месту пользователя (LC) пытаются найти сходство между элементами. В то время как первый учитывает только элементы в соседстве, LN и LC вычисляют сходство между рейтингами соседства с элементами в активном профиле пользователя, а также с остальными элементами в системе. С помощью алгоритмов UL, вероятно, будут найдены наиболее похожие элементы, потому что соседи будут их оценивать.Однако все элементы в соседстве обычно не связаны с элементами в активном профиле пользователя. Таким образом, элементы, наиболее похожие на элементы в профиле пользователя, будут в списке рекомендаций, но элементы, не связанные со вкусами пользователей, также могут появиться в этом списке.

Таким образом, методы PE решают проблему нового пользователя. Как уже говорилось, совместные методы PE показали многообещающие результаты [6]. Они предоставляют профилям пользователей дополнительную информацию, чтобы устранить недостатки, которые традиционные меры сходства для алгоритмов kNN присутствуют, когда доступно мало оценок.Более того, профили пользователей были расширены за счет методов совместной фильтрации, поэтому пользователям не нужно вводить дополнительную информацию в систему. В любом случае это преимущество может быть подавлено, и алгоритмы, использующие любой другой источник информации, могут быть использованы для расширения профилей пользователей, например, на основе контента или демографических методов.

Однако важно отметить, что при выборе элементов, не связанных с элементами профиля пользователя, методы PE могут вызывать ошибки.В этом отношении прогнозируемые рейтинги для тех элементов, которые не связаны с элементами профиля пользователя, обычно не будут достаточно точными, поскольку в алгоритме расширения не хватает информации для правильного прогнозирования их оценок. Кроме того, рекомендательный алгоритм также будет иметь больше трудностей при поиске подходящих соседей, которые разделяют минимальное количество элементов, общих с активным пользователем, потому что несвязанные элементы, как правило, появляются реже, чем связанные элементы в одном и том же профиле пользователя. В следующем разделе мы представляем методы НАДЕЖДА, которые пытаются минимизировать эти ошибки.

Расширение профиля высокого порядка

Каждый метод PE, представленный в предыдущем разделе, имеет свои плюсы и минусы. Идея HOPE состоит в том, чтобы объединить эти методы, чтобы воспользоваться их преимуществами и минимизировать ошибки. Используя более одного алгоритма для расширения профиля пользователя, расширение будет более неоднородным и, в то же время, по-прежнему связано с исходным профилем пользователя. Цель по-прежнему состоит в том, чтобы расширить профиль пользователя, чтобы улучшить рекомендации при столкновении с новой проблемой пользователя.Для ясности мы сосредоточимся на комбинациях двух алгоритмов (комбинации двух порядков), хотя их можно экстраполировать на любые комбинации порядков. Также обратите внимание, что предложенные модели могут быть применены к любому пользовательскому алгоритму kNN.

Целью альтернатив НАДЕЖДА является минимизация ошибок, совершаемых при выборе элементов для расширения и выводе их соответствующих рейтингов. По мере увеличения количества элементов в расширении увеличивается и вероятность ошибки. В отличие от одних только методов PE, HOPE предполагает, что каждый алгоритм выбирает несколько элементов, которые, вероятно, будут соответствовать вкусу пользователя.

В наших экспериментах мы сосредоточимся на альтернативах IG и UL PE, потому что они представляют собой лучшие методы PE [6]. Эти методы будут объединены в соответствии с двумя разными предложениями: последовательным и параллельным. Эти предложения определяют, как информация передается между алгоритмами.

Серийный

В последовательном процессе технологии PE используются одна за другой. То есть они выполняются как конвейер, где выход первого алгоритма расширения является входом второго (как показано на рис. 2).Алгоритм kNN будет использовать дважды расширенный профиль для вычисления списка рекомендаций. Таким образом, последовательную комбинацию можно рассматривать как наиболее близкий к исходной концепции PE, где один алгоритм используется для увеличения информации, доступной для другого алгоритма. Первый алгоритм должен работать правильно и минимизировать ошибки, когда доступной информации очень мало, потому что ошибка на этом первом шаге переносится на остальные фазы.

Учитывая, что мы имеем дело с расширением в два этапа, есть альтернатива, в которой один и тот же алгоритм применяется дважды.Разница между базовым алгоритмом с размером расширения профиля и выполнением одного и того же алгоритма дважды в процессе последовательного расширения с половиной размера заключается в том, что элементы в последних позициях списка расширения, вычисленного с помощью базового алгоритма, с большей вероятностью не будут актуальны и, следовательно, приводят к худшим рекомендациям. По мере увеличения размера расширения профиля вероятность нахождения нерелевантных элементов на последних позициях выше. Следовательно, априори предпочтительнее последовательный процесс с одним и тем же алгоритмом, выполняемым дважды, чем только базовый алгоритм с двойным размером PE.

Параллельный

Как уже говорилось, методы PE могут вызывать ошибки при выборе элемента и прогнозировании рейтинга, что может повлиять на окончательную рекомендацию. Этот подход пытается минимизировать эти ошибки, поскольку исходный профиль пользователя является входом для всех используемых алгоритмов расширения, как показано на рис. 3.

Поскольку каждый алгоритм расширения будет получать новый профиль, а метод kNN требует ввода уникального профиля, необходимо комбинировать различные профили. В этой комбинации мы должны учитывать два аспекта: рейтинг и выбор предметов.Расширенные профили получаются независимо друг от друга, поэтому они могут иметь или не иметь общих элементов. Что касается выбора позиции, были рассмотрены две альтернативы:

• Союз. Набор элементов в конечном профиле пользователя состоит из объединения элементов в каждом расширении. Таким образом, элементы, которые отображаются только в одном развернутом профиле, также будут выбраны. Логично, что при объединении одного и того же алгоритма более одного раза результатом будет расширение с самым большим размером PE, l .
• Перекресток. Набор элементов в конечном профиле пользователя состоит из пересечения элементов в каждом расширении. То есть, только элементы, отображаемые во всех развернутых профилях, будут частью результирующего профиля пользователя. В случае объединения одного и того же алгоритма более одного раза, на этот раз результатом будет расширение с наименьшим значением l .

Что касается выбора рейтинга, когда элемент появляется более чем в одном развернутом профиле, окончательная оценка будет средним из оценок.

В параллельной комбинации, в отличие от последовательного подхода, когда ошибка совершается алгоритмом расширения, эта ошибка не влияет на расширение, вычисленное другим алгоритмом. Взамен второй алгоритм имеет в своем распоряжении меньше информации, поскольку в качестве входных данных он использует только исходный профиль пользователя.

Эксперименты

Схема эксперимента

Эксперименты проводились в области рекомендаций фильмов. В частности, мы использовали сокращенную версию набора данных Netflix [26], где каждый элемент соответствует фильму из базы данных Internet Movie Database (IMDb).Таким образом, мы также можем проводить человеческую оценку результатов, а в будущем можно будет сравнивать алгоритмы, основанные на содержании. Окончательный набор данных состоит из 8 362 элементов и 478 458 пользователей, которые выставили 48 715 350 оценок от 1 до 5 включительно.

Что касается методологии, мы случайным образом выбрали 1000 пользователей для оценки. Новая проблема пользователя была смоделирована с использованием стратегии Given- N ​​ [11]. То есть N ​​ оценок были выбраны случайным образом как часть обучающего подмножества.Остальные рейтинги участвуют в подмножестве оценок. Мы сосредотачиваемся на N ​​ = 2, поскольку именно тогда информации меньше и методы НАДЕЖДЫ могут быть более полезными. Кроме того, мы изучаем эволюцию алгоритмов согласно N ​​. Из остальных пользователей мы случайным образом выбрали 90% оценок для обучающего подмножества.

Что касается алгоритмов, мы сначала изучаем, как ведут себя по отдельности методы глобальных элементов и локальных пользователей, поскольку они являются алгоритмами PE, которые получили наилучшие результаты в [6].Затем мы рассмотрим различные способы их комбинирования. Как упоминалось ранее, основным алгоритмом является пользовательский алгоритм kNN. Количество соседей, k , равно 25, выбрано после процесса перекрестной проверки.

Поскольку мы фокусируемся на задаче поиска хороших элементов, алгоритм возвращает список рекомендуемых элементов. Для оценки результатов мы считаем 4 порогом релевантности. Мы использовали традиционные метрики, такие как точность и MAP. В частности, Precision-at-5 (P @ 5), точность в 5 первых позициях списка рекомендаций, особенно интересен, потому что он учитывает те элементы, на которые пользователь, вероятно, обратит внимание, а не весь список, поскольку MAP делает.

В этом разделе будут показаны только наиболее важные результаты. Фактически, мы также сообщаем о статистической значимости, используя стандартный односторонний t-критерий с уровнем значимости альфа = 0,05 при улучшении производительности различных рассматриваемых базовых моделей.

Основные методы расширения профиля

В таблице 1 показаны результаты P @ 5 с различными значениями l (размеры расширения профиля). Как обсуждалось в разделе «Расширение профиля», в качестве метода IG используется алгоритм kNN на основе элементов.Мы использовали подобие косинус-векторов для вычисления окрестности. Для метода IG результаты P @ 5 улучшаются, поскольку l меньше. Однако между l = 2 и l = 5 нет существенной разницы. Фактически, результаты MAP для l = 5 лучше.

С другой стороны, в таблице 1 также показаны результаты P @ 5 для лучших алгоритмов UL, представленных в [6]: наиболее оцененные (MR), локальные соседи элементов (LN) и локальная кластеризация пользователя (LC). Несмотря на то, что метод MR рассматривает только наиболее оцененные элементы в соседстве, а методы LN и LC пытаются зафиксировать сходство между локальными элементами и другими элементами в системе, не находящимися поблизости, все эти методы дают аналогичные результаты в P @ 5. .Хотя он не дает таких хороших результатов с метрикой MAP, метод MR предпочтительнее из-за его простоты. Для полноты картины в таблице 1 показана производительность без использования методов расширения профиля (строка помечена как No PE).

Принимая во внимание эти результаты, методы PE с l = 5 будут использоваться в качестве основных алгоритмов для анализа методов HOPE. Кроме того, мы будем рассматривать алгоритм MR и алгоритм без PE в качестве базовых при использовании N ​​ = 2 и N ​​ = 10 соответственно.В частности, p-значение, полученное для алгоритма MR (-1 = 5) при анализе статистической значимости результатов, было 1,44e-18.

Альтернативы расширения профиля высокого порядка

Среди различных альтернатив HOPE мы заинтересованы в оценке того, какая из них ведет себя лучше всего, и в знании их плюсов и минусов. Для этого были оценены различные эксперименты. Что касается изменений размера расширения профиля, мы использовали различные значения l (2, 5, 10 и 15), чтобы проверить, как комбинации l влияют на результаты.Более того, также интересно знать, как различные алгоритмы развиваются в соответствии с N ​​, то есть в соответствии с объемом доступной информации.

Серийный.

В последовательных комбинациях используются два метода расширения профиля, один за другим. Хотя алгоритмы в предыдущем разделе достигают наилучших результатов при l = 5, лучшие результаты, объединяющие эти алгоритмы в последовательном процессе, достигаются при l = 2, что усиливает обсуждение, представленное в разделе Serial HOPE.Фактически, алгоритмы PE также дают очень хорошие результаты при таком размере расширения профиля.

В таблице 2 показаны результаты P @ 5 и MAP для -1 = 2 комбинаций. Результаты для l значения 5, 10 и 15 опущены из-за их более низкой производительности.

Таблица 2. P @ 5 и MAP для серийных комбинаций расширения профиля высокого порядка, с l = 2.

Также показаны результаты для простых методов расширения профиля с l = 5. Значительные улучшения по сравнению с алгоритмом MR ( когда N ​​ = 2) и алгоритм без PE (когда N ​​ = 10) выделены.

https://doi.org/10.1371/journal.pone.0224555.t002

В отличие от параллельных альтернатив, в этом случае порядок выполнения может быть важен. Итак, сначала остановимся на порядке алгоритма. Что касается результатов, алгоритм LN работает лучше, когда он используется в качестве первого алгоритма. Более того, алгоритм IG работает лучше, когда это второй алгоритм, значительно улучшая значения MAP по сравнению с базовыми линиями. Алгоритмы MR и LC зависят от того, какой алгоритм сочетается с ними.Эти наблюдения предсказуемы и логичны, потому что, когда информации о пользователе мало, глобальная информация более подвержена ошибкам, поскольку труднее выбрать, какие элементы действительно похожи на элементы в профиле пользователя. Однако при работе с локальной информацией, хотя доступной информации меньше, она, как правило, связана с профилем пользователя. С этого момента, когда два алгоритма могут быть объединены с использованием двух разных заказов, мы будем представлять только тот порядок, который работает лучше.

Чтобы иметь дело с различными комбинациями, мы разделим их на три группы: во-первых, те, которые объединяют IG с любым другим алгоритмом; во-вторых, те, которые объединяют два разных алгоритма UL; и, в-третьих, те, которые объединяют алгоритм с самим собой.

На рис. 4 показаны результаты P @ 5 и MAP, когда методы локального пользователя объединены с методом IG. Когда N ​​ = 2, то есть когда доступная информация об активном пользователе крайне скудна, такие комбинации улучшают базовые линии точности.В частности, сочетание алгоритма MR с алгоритмом IG улучшает результаты почти на 10%. Более того, результаты MAP относительно MR тоже улучшаются. Поскольку они используют разные типы информации, при использовании обоих алгоритмов список рекомендаций может быть более точным, поскольку получается больше информации о пользователе. Вдобавок к этому и по той же причине, если LN — это объединенный алгоритм, то улучшение P @ 5 больше, чем при использовании алгоритмов LN и IG, когда N ​​ низкое.

Поведение алгоритма MR и алгоритма LN с подходом IG очень похоже. Точность имеет тенденцию к снижению с увеличением N ​​. Это связано с тем, что нехватка информации не так критична, когда N ​​ = 10. Фактически, в то время как алгоритм без PE может получить точность около 0,14, альтернативы высокого порядка могут вызвать несколько ошибок в прогнозах рейтинга, что может привести к потеря точности в рекомендации.

Что касается последовательной комбинации алгоритмов UL, они также дают хорошие результаты, как видно на рис.5.Опять же, именно при N ​​ = 2 мы получаем наибольшее улучшение, поскольку полезность методов PE возрастает, когда доступно очень мало информации о пользователе. Учитывая, что изначально алгоритм MR имел высокую точность, комбинации с этим алгоритмом также достигают высокой точности. Комбинация с LC дает лучший результат P @ 5 и значительные улучшения по сравнению с алгоритмом MR, выполняемым отдельно (p-значение было 0,04). В этом случае хорошие результаты также достигаются при N ​​ = 10.Однако полученные значения MAP хуже, чем те, которые достигаются, когда в комбинациях участвуют методы IG. Методы IG используют глобальную информацию, поэтому большинство элементов, используемых для расширения, будут близки к вкусам пользователя, тогда как использование методов UL может означать, что некоторые элементы, не очень похожие на вкусы пользователя, будут включены в профиль пользователя. Тем не менее, как упоминалось ранее, в целом мы считаем P @ 5 более ценным, чем MAP для задачи поиска хороших предметов, хотя это зависит от конкретного контекста каждой системы.

Наконец, алгоритм можно комбинировать сам с собой. Результаты показаны на рис. 6. Все алгоритмы, кроме алгоритма LN, улучшают результаты точности, когда они выполняются в последовательном процессе. Эти результаты подтверждают, что последовательный процесс предпочтительнее базового алгоритма с удвоенным размером расширения профиля, как упоминалось в разделе «Последовательная НАДЕЖДА». Результаты MAP лишь немного ниже результатов, полученных с помощью базовых алгоритмов.

В целом, последовательные комбинации алгоритмов UL показывают очень хорошие результаты в P @ 5, тогда как комбинации с методами IG дают лучшие результаты в MAP.Использование алгоритма MR с методами LC или IG особенно интересно, поскольку эти комбинации дают на 10% улучшение результатов P @ 5 по сравнению с алгоритмом UL и примерно на 110% улучшение по сравнению с алгоритмом без PE. Фактически, комбинация подхода MR с любой другой альтернативой всегда улучшает исходные результаты. Причина в том, что они дополняют друг друга, поскольку используют разные источники информации.

Параллель.

Параллельные варианты, представленные в этой статье, — это объединение и пересечение.В таблице 3 показаны результаты P @ 5 и MAP для обеих альтернатив. Обратите внимание, что поскольку операции объединения и пересечения коммутативны, для каждой пары алгоритмов представлена ​​только одна комбинация.

Таблица 3. P @ 5 и MAP для параллельных альтернатив расширенного профиля высокого порядка.

Альтернатива пересечения с l = 5 для всех алгоритмов, кроме IG, с l = 100. Альтернатива Union с l = 2 для всех алгоритмов. Также показаны результаты для простых методов расширения профиля: l = 5.Выделены значительные улучшения по сравнению с алгоритмом MR (когда N ​​ = 2) и алгоритмом без PE (когда N ​​ = 10).

https://doi.org/10.1371/journal.pone.0224555.t003

Альтернатива пересечения заключается в пересечении расширенных профилей, полученных различными методами, для создания уникального расширенного профиля. Эти приемы могут быть разного характера. Из-за этого их расширенные профили могут не иметь общих элементов, если мы примем во внимание очень небольшое количество элементов в качестве расширения. Это может привести к тому, что шаг расширения профиля станет бесполезным. Поэтому для этого варианта размеры расширения профиля были увеличены по сравнению с серийным вариантом, так что более вероятно, что две разные технологии имеют общие элементы.

Хотя l = 5 достаточно для получения хороших результатов, когда рассматриваются только алгоритмы UL, этого не происходит при использовании методов IG. Фактически, во всем наборе данных может быть много элементов, аналогичных элементам в профиле пользователя, и только некоторые из них могут отображаться как элементы, оцененные соседями пользователя.По этой причине мы решили использовать больший размер расширения профиля для алгоритма IG ( l = 100). Действительно, наши результаты подтвердили это предположение.

Из таблицы 3 мы можем заметить, что значения MAP довольно хороши, но результаты P @ 5 для параллельного варианта не улучшают результаты, полученные с последовательным вариантом.

С другой стороны, вариант объединения объединяет разложения, полученные с помощью различных алгоритмов. Мы использовали l = 2 в качестве размера расширения профиля.Как показано в таблице 3, результаты также не улучшают результаты, полученные с помощью серийной альтернативы. Фактически, никакая комбинация не дает значения P @ 5 лучше, чем алгоритм базового уровня MR.

Итак, несмотря на то, что с параллельными альтернативами второй алгоритм расширения не зависит от ошибок, допущенных первым, последовательные результаты лучше, потому что второй алгоритм предоставляет больше информации.

Выводы и будущая работа

В этой работе мы подробно изучаем методы НАДЕЖДА, которые имеют дело с новой проблемой пользователей в совместной фильтрации.В частности, мы предлагаем два метода, которые объединяют базовые методы PE, чтобы воспользоваться их преимуществами и уменьшить их ошибки. Эти методы называются последовательными и параллельными.

Эксперименты показали, насколько последовательная альтернатива работает лучше, чем параллельная. Причина в том, что в последовательной альтернативе алгоритму предоставляется информация, полученная другим алгоритмом. Без него второй алгоритм может не получить эту информацию. Этого не происходит с параллельной альтернативой, где алгоритмы используют одну и ту же информацию.

Что касается различных последовательных комбинаций, те, в которых участвует алгоритм MR, дают наилучшие результаты P @ 5. Более того, алгоритм IG увеличивает MAP, полученный с помощью алгоритмов UL, когда они используются вместе. Таким образом, комбинация методов IG и MR работает очень хорошо, в основном, когда N ​​ является низким.

Кроме того, когда комбинируются два разных метода UL, результаты для P @ 5 достигают 0,145 со всеми значениями, изученными для N ​​. Однако значения MAP не превосходят значения, полученные методом MR, самые низкие среди всех альтернатив UL.

Другой способ комбинировать методы PE — выполнить один и тот же алгоритм два раза подряд. В этом случае все алгоритмы, кроме метода LN, улучшают результаты, полученные при однократном выполнении.

В будущем мы планируем оценить, как алгоритм, основанный на содержании, ведет себя в сочетании с другими алгоритмами PE, поскольку в этой статье в качестве метода IG использовался только алгоритм kNN на основе элементов. Другие алгоритмы совместной фильтрации, помимо алгоритмов на основе соседей, также могут быть использованы и протестированы.Фактически, мы планируем комбинировать более двух разных алгоритмов, поскольку в этой работе мы проанализировали их двумя комбинациями. Наконец, нам также интересно проанализировать, как эти методы ведут себя в новой системной ситуации.

Список литературы

1. 1.

   Голдберг Д., Николс Д., Оки Б. М., Терри Д. Использование совместной фильтрации для создания информационного гобелена. Коммуникации ACM. 1992. 35 (12): 61–70.

2. 2.

   Херлокер Дж. Л., Констан Дж. А., Тервин Л. Г., Ридл Дж. Т..Оценка рекомендательных систем совместной фильтрации. ACM Trans Inf Syst. 2004. 22 (1): 5–53. http://doi.acm.org/10.1145/963770.963772.

3. 3.
   Сарумати М., Сингарани С., Тхамимаа С., Умаял В., Арчана С., Индира К. и др. Системный подход к вопросам холодного пуска в системе рекомендаций. В: Международная конференция по последним тенденциям в информационных технологиях, 2016 г. (ICRTIT). IEEE; 2016. с. 1–7.
4. 4.
   Шейн А.И., Папескул А., Унгар Л.Х., Пеннок Д.М. Методы и показатели для рекомендаций по холодному запуску.В: Материалы 25-й ежегодной международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска. СИГИР’02. Нью-Йорк, Нью-Йорк, США: ACM; 2002. с. 253–260.
5. 5.
   Рашид А.М., Альберт I, Косли Д., Лам С.К., Макни С.М., Констан Дж. А. и др. Знакомство с вами: изучение предпочтений новых пользователей в рекомендательных системах. В: Материалы 7-й Международной конференции по интеллектуальным пользовательским интерфейсам. IUI’02. Нью-Йорк, Нью-Йорк, США: ACM; 2002. с. 127–134. Доступно по адресу: http: // doi.acm.org/10.1145/502716.502737.
6. 6.

   Формозо В., Фернандес Д., Качеда Ф., Карнейро В. Использование методов расширения профиля для решения проблемы нового пользователя. Inf управление процессами. 2013. 49 (3): 659–672.

7. 7.

   Херлокер Дж., Констан Дж. А., Ридл Дж. Эмпирический анализ выбора дизайна в алгоритмах совместной фильтрации на основе соседства. Inf Retr. 2002. 5 (4): 287–310. http://dx.doi.org/10.1023/A:1020443909834.

8. 8.

   Desrosiers C, Karypis G.Комплексный обзор методов рекомендаций на основе района. В: Риччи Ф., Рокач Л., Шапира Б., Кантор П.Б., редакторы. Справочник рекомендательных систем. Springer; 2011. с. 107–144.

9. 9.

   Чжан Ц., Лю Дж., Цюй И, Хань Т., Гэ Х, Цзэн А. Повышение устойчивости рекомендательных систем к спамерам. PloS один. 2018; 13 (11): e0206458. https://doi.org/10.1371/journal.pone.0206458. pmid: 30383766

10. 10.
    Резник П., Якову Н., Сучак М., Бергстром П., Ридл Дж. GroupLens: открытая архитектура для совместной фильтрации сетевых новостей.В: Материалы конференции ACM 1994 года по компьютерной поддержке совместной работы. CSCW’94. Нью-Йорк, Нью-Йорк, США: ACM; 1994. стр. 175–186.
11. 11.
    Бриз Дж. С., Хекерман Д., Кэди К. Эмпирический анализ алгоритмов прогнозирования для совместной фильтрации. В: Материалы четырнадцатой конференции по неопределенности в искусственном интеллекте. UAI’98. Сан-Франциско, Калифорния, США: Morgan Kaufmann Publishers Inc .; 1998. с. 43–52. Доступно по адресу: http://dl.acm.org/citation.cfm?id=2074094.2074100.
12. 12.
    Сарвар Б., Карипис Дж., Констан Дж., Ридл Дж. Алгоритмы рекомендаций совместной фильтрации на основе элементов. В кн .: Материалы 10-й международной конференции по всемирной паутине. WWW’01. Нью-Йорк, Нью-Йорк, США: ACM; 2001. с. 285–295. Доступно по ссылке: http://doi.acm.org/10.1145/371920.372071.
13. 13.

    Рашид AM, Karypis G, Riedl J. Изучение предпочтений новых пользователей в рекомендательных системах: теоретико-информационный подход. Информационный бюллетень ACM SIGKDD Explorations.2008; 10: 90–100. http://doi.acm.org/10.1145/1540276.1540302.

14. 14.
    Элахи М., Репсис В., Риччи Ф. Стратегии выявления рейтингов для совместной фильтрации электронной коммерции и веб-технологий. т. 85 конспектов лекций по обработке деловой информации. Берлин, Гейдельберг: Springer Berlin Heidelberg; 2011. с. 160–171. Доступно по ссылке: http://dx.doi.org/10.1007/978-3-642-23014-1_14.
15. 15.
    Кремонези П., Гарзотто Ф., Туррин Р. Усилия пользователя по сравнению с точностью при выявлении на основе рейтингов.В: Материалы шестой конференции ACM по рекомендательным системам. RecSys’12. Нью-Йорк, Нью-Йорк, США: ACM; 2012. с. 27–34. Доступно по ссылке: http://doi.acm.org/10.1145/2365952.2365963.
16. 16.
    Голбанди Н., Корен Ю., Лемпель Р. Адаптивная самозагрузка рекомендательных систем с использованием деревьев решений. В: Материалы четвертой международной конференции ACM по веб-поиску и интеллектуальному анализу данных. WSDM’11. Нью-Йорк, Нью-Йорк, США: ACM; 2011. с. 595–604. Доступно по ссылке: http://doi.acm.org/10.1145/1935826.1935910.
17. 17.

    Рокач Л., Кисилевич С. Построение начального профиля в рекомендательных системах с помощью попарного сравнения. Транзакции IEEE по системам, человеку и кибернетике, часть C. 2012; 42 (6): 1854–1859.

18. 18.
    Фейл С., Кретцер М., Вердер К., Маедче А. Использование геймификации для решения проблемы холодного старта в рекомендательных системах. В: Материалы 19-й конференции ACM по совместной работе с компьютерной поддержкой и компаньонам в социальных сетях. ACM; 2016. с. 253–256.
19. 19.

    Сильва Н., Карвалью Д., Перейра ACM, Мурё Ф., Роча Л. Проблема чистого холодного старта: глубокое исследование того, как завоевать пользователей, впервые использующих в области рекомендаций. Информационные системы. 2019; 80: 1–12. https://doi.org/10.1016/j.is.2018.09.001.

20. 20.
    Cacheda F, Carneiro V, Fernández D, Formoso V. Улучшение алгоритмов k-ближайших соседей: практическое применение анализа набора данных. В: Материалы 20-й международной конференции ACM по управлению информацией и знаниями.ЦИКМ’11. Нью-Йорк, Нью-Йорк, США: ACM; 2011. с. 2253–2256. Доступно по ссылке: http://doi.acm.org/10.1145/2063576.2063939.
21. 21.

    Ahn HJ. Новая мера подобия для совместной фильтрации, призванная облегчить проблему холодного запуска нового пользователя. Inf Sci. 2008; 178: 37–51.

22. 22.

    Бобадилла Дж., Ортега Ф., Эрнандо А., Бернал Дж. Подход совместной фильтрации для смягчения проблемы холодного запуска нового пользователя. Система, основанная на знаниях. 2012; 26: 225–238.

23. 23.
    Пиккарт Б., Стройф Дж., Блокил Х.Устранение проблемы разреженности при совместной фильтрации с помощью адаптированного расстояния и метода на основе графиков. В: Международная конференция SIAM по интеллектуальному анализу данных. SDM 2010; 2010. с. 189–198. Доступно по адресу: http://www.odysci.com/article/1010112988297985.
24. 24.

    Баеза-Йейтс Р., Рибейро-Нето Б. Современный информационный поиск: концепции и технологии поиска. 2-е изд. США: издательство Addison-Wesley Publishing Company; 2011.

25. 25.

    Cacheda F, Carneiro V, Fernández D, Formoso V.Сравнение алгоритмов совместной фильтрации: ограничения текущих методов и предложений для масштабируемых, высокопроизводительных рекомендательных систем. ACM Trans Web. 2011; 5: 2: 1-2: 33. http://doi.acm.org/10.1145/1921591.1921593.

26. 26.
    Беннетт Дж., Лэннинг С. Приз Netflix. В кн .: Материалы KDD Cup and Workshop. KDDCup’07. Сан-Хосе, Калифорния, США: ACM; 2007. с. 3–6.

Profile Products запускает расширение на 9 миллионов долларов

Profile Products начала проект по расширению производства стоимостью 9 миллионов долларов, который призван обеспечить значительное увеличение производственных мощностей, улучшенную логистику и улучшенные системы безопасности и качества для линий экологически чистых средств массовой информации Profile.Этот проект является последним в длинной цепи инициатив, направленных на дальнейшее укрепление позиций компании как лидера в области решений по управлению почвой и растительностью, садоводческих субстратах, а также профессиональному управлению газоном и спортивными полями.

«Мы постоянно ищем способы улучшить отрасли, которые мы обслуживаем, с помощью наших инновационных продуктов, современного оборудования и образовательных инициатив», — говорит Джим Таннер, президент и генеральный директор Profile Products. «Это расширение является продолжением нашего стремления удовлетворить потребности наших клиентов и превзойти их ожидания, предоставив лучшие решения для их среды.”

В 2019 году Profile добавила второй завод по переработке волокна в Коновер, Северная Каролина, что удвоило производственную мощность, создало ультрасовременные теплицы и добавило новые технологии обработки волокна. С тех пор компания значительно выросла за счет приобретения HydroStraw, производителя продуктов для борьбы с эрозией на основе соломы, и Sunterra Horticulture, ведущего производителя сфагнового торфа.

Новые инвестиции позволят значительно увеличить мощности по переработке волокна, высокотехнологичную упаковку и современные складские помещения как в Северной Каролине, так и в Рокфорде, штат Вашингтон.Кроме того, Profile продолжит инвестировать в свою лидирующую позицию в области охраны окружающей среды, расширив несколько программ, в которых приоритетным будет использование продуктов с самым высоким содержанием вторичного содержимого, доступных для соответствующих отраслей, включая упаковку. Profile также удалила более 3,5 миллиардов фунтов древесины и бумаги из потока отходов и продуктивно вернула их в окружающую среду.

Проекты расширения будут завершены в течение следующего года. Для получения дополнительной информации о продуктах профиля щелкните здесь.

0
1
5

Profile Products запускает расширение на 9 миллионов долларов

Брайан Спаркс — старший редактор журнала Greenhouse Grower и редактор журнала Greenhouse Grower Technology. Посмотреть все рассказы авторов можно здесь.

.