När en kund går in i en e-butik för första gången får kunden inte anpassade rekommendationer. Anpassade rekommendationer bygger på information om användare från tidigare interaktion med e-butiken genom ett rekommendationssystem (RS). För nya användare har dock inte systemet den information som behövs för att kunna skapa anpassade rekommendationer, detta problem kallas för kallstart. För att bemöta nya användare i kallstart är RS beroende av deras explicita feedback. Konversationsrekommendationsystem (KRS) möjliggör explicit insamling från användare genom konversation. Explicit information kan lämnas av användare direkt i e-butiken. Informationen kan bestå av egenskaper användare föredrar hos produkter men även mer personlig information. Har inte användare förtroende till systemet kan det bidra till att användare inte vill dela med sig av information. För att användare ska vilja lämna explicit information kan KRS bemöta kallstart med att försöka skapa en känsla av förtroende hos användare. Studien är utförd med en designorienterad forskningsansats. Designelement identifierades genom en litteraturstudie som sedan implementerades i en prototyp för att undersöka om dessa kunde skapa en känsla av förtroende för systemet. Prototypen utvärderades därefter utifrån kriterierna trovärdighet, enkel användning och risk som fångar detta förtroende. Resultatet i denna studie indikerar att användare vill få anpassade rekommendationer presenterade och är därför villiga att bidra med den information systemet behöver. Studien presenterar åtta designförslag för hur KRS kan designas för att skapa en känsla av förtroende hos användare med en dialog mellan systemet och användare, möjlighet att ge effektiv feedback och systemets transparens. / När en kund går in i en e-butik för första gången får kunden inte anpassade rekommendationer. Anpassade rekommendationer bygger på information om användare från tidigare interaktion med e-butiken genom ett rekommendationssystem (RS). För nya användare har dock inte systemet den information som behövs för att kunna skapa anpassade rekommendationer, detta problem kallas för kallstart. För att bemöta nya användare i kallstart är RS beroende av deras explicita feedback. Konversationsrekommendationsystem (KRS) möjliggör explicit insamling från användare genom konversation. Explicit information kan lämnas av användare direkt i e-butiken. Informationen kan bestå av egenskaper användare föredrar hos produkter men även mer personlig information. Har inte användare förtroende till systemet kan det bidra till att användare inte vill dela med sig av information. För att användare ska vilja lämna explicit information kan KRS bemöta kallstart med att försöka skapa en känsla av förtroende hos användare. Studien är utförd med en designorienterad forskningsansats. Designelement identifierades genom en litteraturstudie som sedan implementerades i en prototyp för att undersöka om dessa kunde skapa en känsla av förtroende för systemet. Prototypen utvärderades därefter utifrån kriterierna trovärdighet, enkel användning och risk som fångar detta förtroende. Resultatet i denna studie indikerar att användare vill få anpassade rekommendationer presenterade och är därför villiga att bidra med den information systemet behöver. Studien presenterar åtta designförslag för hur KRS kan designas för att skapa en känsla av förtroende hos användare med en dialog mellan systemet och användare, möjlighet att ge effektiv feedback och systemets transparens.

Recommender Systems are information filtering systems that aim to predict a user’s preference for an item. A central challenge when building a Recommender System is the user cold-start, the integration of new users into the recommendation process. It can currently not be ultimately solved, but only mitigated based on additional information about the user. This work proposes to utilize technical usage data, telemetry data, for user preference modeling. In the industry use-case of an in-game item recommendation system for a mobile game, telemetric features have been engineered, to capture player’s behavior during the first hours inside the game. The prediction of the first purchase was then modeled as a multi-class classification problem. Across a range of different classification model families, the models trained on telemetric features of the present dataset all significantly outperform the same models trained on demographic features, which in turn outperform naive baselines. The result has implications for industry use-cases where Recommender Systems are being employed, and telemetric features can be aggregated, like mobile applications. It also has implications on future research of cold-start mitigation, as telemetric information could be used to generate recommendations in different problem architectures than classification. / Rekommendationssystem är informationsfiltreringssystem som försöker att förutsäga en användares preferens för en artikel. En viktig utmaning när man bygger ett rekommendationssystem är kallstarten, integrationen av nya användare i rekommendationsprocessen. Kallstarten kan fortfarande inte lösas fullständigt. Problemet blir nuförtiden mildrad genom att använda sig av externa datakällor om användaren. Detta arbete föreslår att man använder telemetrisk användningsdata för modellering av användarpreferens. Arbetet fokuserar på industriella användningsfallet av ett rekommendations system för artiklar inom ett mobilspel. Telemetriska egenskaper har konstruerats för att infånga spelarens beteende under de första timmarna i spelet. Rekommendationen för det relevantaste första köpet modellerades sedan som ett klassificeringsproblem med flera klasser. Över en rad olika klassificeringsmodellfamiljer överträffade modellerna tränade på telemetriska egenskaper signifikant samma modeller som tränats på demografiska egenskaper vilket i sin tur överträffar naiva basmetoder. Resultatet har konsekvenser för industriella applikationer där rekommendationssystem används och i vilka telemetriska egenskaper kan aggregeras, t.ex. mobilappar. Det har också konsekvenser för framtida forskning om kallstartreducering, eftersom telemetrisk information kan användas för att generera rekommendationer i andra problemklasser än klassificering.