Построение гибридной рекомендательной системы
Аннотация
В статье рассматривается решение задачи об информировании пользователя об услуге, наиболее интересной для него в данный момент времени. Для этого проведен анализ современных подходов построения рекомендательных систем, выявлены их преимущества и недостатки. Основные из них — это проблема холодного старта, плохие предсказания для нетипичных пользователей, ресурсоемкость вычислений, тривиальные предсказания. Далее рассмотрены метрики оценки качества таких систем. Разработано несколько рекомендательным систем со следующими подходами: система, использующая коллаборативную фильтрацию по пользователям, система, использующая коллаборативную фильтрацию по предметам, система категориальных интересов, Slope one подход. Для поиска похожих пользователей или предметов в системе, использующей коллаборативную фильтрацию, использовался метод k-ближайших соседей. На основе полученных данных предложено построение гибридной рекомендательной системы, которая компенсирует недостатки каждого из рассмотренных подходов. Персонализированный подход основан на байесовском рейтинге. Не персонализированный подход основан на алгоритмах Slope One и коллаборативной фильтрации по предметам. В случае, когда пользователь не оценивал какие-либо услуги, рекомендации строятся с помощью подхода коллаборативной фильтрации по пользователю, на основе его просмотров и покупок. Проводится обучение и тестирование алгоритмов для организации построенных рекомендательных систем. Таким образом, реализована рекомендательная система для услуг, способная формировать рекомендации как для зарегистрированных, так и для незарегистрированных пользователей. Анализ эффективности рекомендательных систем был проведен с помощью датасета Amazon review data. На основе полученной информации разработанная гибридная рекомендательная система приводит к лучшему решению.
Скачивания
Литература
2. Rolgin R. I. (2016) Metrics for assessing the quality of the collaborative filtering systems // Scientific Observer. No 6. С. 65–67.
3. Recommendations on Avito. – Available at: URL
4. Amazon Review Data. – Available at: URL
5. Christopher Allen. Collective Choice: Rating Systems. – Available at: URL
6. Daniel L. Slope One Predictors for Online Rating-Based Collaborative Filtering / L. Daniel, A. Maclachlan // In SIAM Data Mining (SDM’05) (Newport Beach, April 21-23 2005). – Newport Beach, California, 2005. DOI
7. Jannach D., Zanker M, Felfering A. (2011) Recommender Systems: An Introduction. М. : Cambridge University Press, 2011. 352 p. DOI
8. Ricci F., Rokach L., Shapira B. (2015) Recommender Systems Handbook. Springer. 1003 p. DOI
9. Hill W., Stead L., Rosenstein M. (1995) Recommending and Evaluating Choices in a Virtual Community of Use // Proceeding Conference Human Factors in Computing Systems. P. 194–201. DOI
10. Resnick P. [et al.] (1994) GroupLens: An Open Architecture for Collaborative Filtering of Netnews // Proceeding 1994 Computer Supported Cooperative Work Conference. P. 175–186. DOI
11. Shardanand U., Maes P. (1995) Social Information Filtering: Algorithms for Automating «Word of Mouth» // Proc. Conf. Human Factors in Computing Systems. P. 210–217. DOI
12. Adomavicius G., Tuzhilin A. (2005) Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions // IEEE Transactions on Knowledge and Data Engineering. Vol. 17, Issue 6. P 734–74. DOI
13. Celma O. (2010) Music Recommendation and Discovery // Springer-Verlag Berlin Heidelberg. 194 p. DOI
14. Aggarwal C. (2015) Data mining. The Textbook // Springer International Publishing. 734 p.
15. Filipe R. A., Cadima Alves D., Castro M. M. (2020) A recommender system for service provider’s campaigns // Altice labs, White paper, version 1.0, September. P. 1–14.
16. Philippov S. A., Zakharov V. N. (2016) Determination of similarity of Information Entities Based on Implicit User Preferences in Life-Support Recommender Systems // Data Analytics and Management in Data-Intensive Domains. DAMDID/RCDL, 2016, oct 11–14. M. P. 169–174.
17. Nefedova Yu. S. (2012) Hybrid recommender architecture GEFEST // Systems and Means of Informatics. No 2. T. 22. P. 176–196.
18. Melville P., Sindhwani V. (2010) Recommender Systems / //Encyclopedia of Machine Learning, Chapter No00338. P. 1–9. DOI
19. Isinkaye F., Folajimi F., Ojokoh B. (2015) Review Recommendation systems: Principles, methods and evaluation / F. Isinkaye // Egyptian Informatics Journal. No 16. P. 261–273. DOI
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
