Рекомендаційна система на основі компактної гібридної моделі користувача
DOI:
https://doi.org/10.30837/0135-1710.2023.179.032Ключові слова:
рекомендаційна система, спільна фільтрація, компактна модель, гібридна ознака, міра цікавості жанруАнотація
Об’єктом дослідження є процес рекомендації об’єктів користувачу системи та поліпшення результатів рекомендації. Розглянуто принцип роботи рекомендаційної системи та етапи створення рекомендацій. Описані різні методи фільтрації інформації для генерації персоналізованих рекомендацій. Виявлено переваги та недоліки кожного із методів. Зроблено висновки про те, що з урахуванням як теоретичних, так і практичних аспектів, важливим є проведення досліджень з метою виправлення обмежень, характерних для різних методів фільтрації.
Запропоновано компактну гібридну модель користувача для методу спільної фільтрації інформації. Ця модель долає обмеження, які часто виникають при використанні традиційних підходів, і дозволяє ефективніше генерувати персоналізовані рекомендації. Для наочного прикладу моделі, що пропонується, було взято рекомендаційну систему кінофільмів. Ця модель поєднує оцінки користувачів з описами вмісту об'єктів і використовує поняття міри цікавості жанру, що було отримано шляхом виведення формул для обчислення гібридної ознаки, тобто показника того, наскільки користувач зацікавлений у тому чи іншому жанрі. Це полегшує формування набору близьких однодумців для активного користувача. Запропонований підхід спрямований на забезпечення високої точності рекомендацій в системі, дозволяє знизити вимоги до обчислювальних ресурсів та ефективно використовувати інформацію про вміст об'єктів. Гібридна модель дозволяє поєднувати переваги спільної фільтрації на основі пам'яті та рекомендаційних систем на основі моделі, що забезпечує точність та масштабованість.
Наведено декілька прикладів з результатами обчислень. Зроблено висновок стосовно потенційного покращення якості рекомендацій з урахуванням можливостей розробленого алгоритму.
Посилання
Charu C. Aggarwal. Recommender Systems: The Textbook, 2016, http://pzs.dstu.dp.ua/DataMining/recom/bibl/1aggarwal_c_c_recommender_systems_the_textbook.pdf (Last accessed: 10.10.2023).
Francesco Ricci, Lior Rokach, Bracha Shapira. Recommender Systems Handbook, 2015, https://www.cse.iitk.ac.in/users/nsrivast/HCC/Recommender_systems_handbook.pdf (Last accessed: 10.10.2023).
M.Sridevi, Dr .R.Rajeswara Rao, DECORS: A Simple and Efficient Demographic Collaborative Recommender System for Movie Recommendation, 2017, ISSN 0973-6107 Volume 10, Number 7, pp. 1969-1979. https://www.ripublication.com/acst17/acstv10n7_01.pdf (Last accessed: 20.10.2023).
Ruogu Kang, Stephanie BrownSara, KieslerSara Kiesler, Why do people seek anonymity on the Internet? Informing policy and design, 2013 https://www.researchgate.net/publication/262273589_Why_do_people_seek_anonymity_on_the_Internet_Informing_policy_and_design (Last accessed: 20.10.2023).
Abdellah El Fazziki, Ouafae El Aissaoui, Yasser EL Madani El Alami, Youssouf El Allioui, Mohammed Benbrahim, A new collaborative approach to solve the gray-sheep users problem in recommender systems, 2019, https://www.researchgate.net/publication/338361794_A_new_collaborative_approach_to_solve_the_gray-sheep_users_problem_in_recommender_systems (Last accessed: 20.10.2023).
Juuso Kaitila, A content-based music recommender system, 2017, https://www.cs.rit.edu/usr/local/pub/GraduateProjects/2161/kxd8041/Report.pdf (Last accessed: 20.10.2023).
Guan, Xin, On reducing the data sparsity in collaborative filtering recommender systems., 2017, https://wrap.warwick.ac.uk/97978/1/WRAP_Theses_Guan_2017.pdf (Last accessed: 20.10.2023).
Wanvimol Nadee, Modelling user profiles for recommender systems, 2016, https://eprints.qut.edu.au/93723/1/Wanvimol_Nadee_Thesis.pdf (Last accessed: 20.10.2023).
Andreu Vall, Matthias Dorfer, Hamid Eghbal-zadeh, Markus Schedl, Keki Burjorjee & Gerhard Widmer. Feature-combination hybrid recommender systems for automated music playlist continuation, 2019, https://link.springer.com/article/10.1007/s11257-018-9215-8 (Last accessed: 10.10.2023).
Sebastien Fremal, Fabian Lecron. Weighting Strategies for a Recommender System Using Item Clustering Based on Genres, 2017, p. 6-11, https://www.sciencedirect.com/science/article/abs/pii/S0957417417300404 (Last accessed: 10.10.2023).
