АНАЛІЗ ТА ДОСЛІДЖЕННЯ ХАРАКТЕРИСТИК АЛГОРИТМІВ У РЕКОМЕНДАЦІЙНИХ СИСТЕМАХ
DOI:
https://doi.org/10.35546/kntu2078-4481.2024.4.48Ключові слова:
рекомендаційна система, контентна фільтрація, колаборативна фільтрація, гібридна фільтрація, методи кластеризаціїАнотація
Інформаційне середовище стає все більш насиченим і динамічним. Інформація зростає по подвійному експоненціальному закону. Процес пошуку, аналізу та фільтрації інформації ускладнюється з кожним днем, а зростаючий обсяг інформації обтяжує процес прийняття обґрунтованих рішень. Вирішення цієї проблеми можливе за рахунок розробки та впровадження рекомендаційних систем. Дана стаття присвячена дослідженню існуючих моделей рекомендаційних систем, а саме: на основі контентної фільтрації, колаборативної фільтрації, гібридної фільтрації. На основі аналізу науково-технічної літератури визначено загальний механізм рекомендаційного процесу, здійснено огляд методів фільтрації та їх характеристик. Представлено схеми реалізації рекомендацій і можливі метрики для групування відповідних користувачів. Розкриті недоліки кожного рекомендаційного процесу, а саме: холодний запуск, розрідженість, «сіра вівця» для колаборативної фільтрації та пов’язана лише з даними про предмет обмеженість контентної фільтрації. Цим обґрунтовується суперпозиція (комбінація) цих двох фільтрацій для створення гібридної фільтрації. У статті розглядається питання щодо якості рекомендаційних систем. Крім традиційних показників точності та повноти, сучасні підходи враховують різноманітність, новизну, несподіваність рекомендацій, робастність, інтерпретованість, справедливість. Зроблено акцент на зовнішні дестабілізуючі фактори у роботі рекомендаційних систем, зокрема, існування загрози порушення конфіденційності персональних даних користувача та загрози отримати неправильні рекомендації в результаті цілеспрямованої атаки на систему рекомендацій. Як приклад описано процес розробки рекомендаційної системи для підбору товарів спортивного приладдя: встановлені вимоги до функціонування даної системи; окреслено базу даних щодо користувачів та характеристик спортивного приладдя; змодельовано діаграму варіантів використання; розроблено та протестовано програмне забезпечення у вигляді Telegram-бота. Результати дослідження можна впровадити в навчальний процес студентів галузі 12 Інформаційні технології.
Посилання
Personalization in Market Research – Why It Matters More Than Ever in 2024. https://ttconsultants.com/personalization-in-market-research-why-it-matters-more-than-ever-in-2024/#:~:text=In%202024%2C%20personalization%20in%20market%20research%20is%20no%20longer%20a,to%20stay%20relevant%20and%20competitive
Casaca, Joaquim & Miguel, Luis. 2024. The Influence of Personalization on Consumer Satisfaction: Trends and Challenges. 10.4018/979-8-3693-3455-3.ch010. https://www.researchgate.net/publication/383006376_The_Influence_of_Personalization_on_Consumer_Satisfaction_Trends_and_Challenges
Il Im and Alexander Hars. 2007. Does a one-size recommendation system fit all? the effectiveness of collaborative filtering based recommendation systems across different domains and search modes. ACM Trans. Inf. Syst. 26, 1 (November 2007), 4–es. https://doi.org/10.1145/1292591.1292595
P. Melville and V. Sindhwani, “Recommender Systems,” In: C. Sammut and G. Webb, Eds., Encyclopedia of Machine Learning, Springer, Berlin, 2010, pp. 829-838.
F.O. Isinkaye, Y.O. Folajimi, B.A. Ojokoh. 2015. Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal, Volume 16, Issue 3, 261-273, https://doi.org/10.1016/j.eij.2015.06.005.
Hodovychenko, M. A., & Gorbatenko, A. A. Recommender systems: models, challenges and opportunities. Вісник сучасних інформаційних технологій, 2023. 6(4), 308–319. https://doi.org/10.15276/hait.06.2023.20
Jalili, M., Ahmadian, S., Izadi, M., Moradi, P., & Salehi, M. Evaluating collaborative filtering recommender algorithms: a survey. IEEE access, 2018. 6, 74003–74024. DOI: 10.1109/ACCESS.2018.2883742.
Burke, Robin. Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction. 2002. 12. 10.1023/A:1021240730564
Mukund Deshpande and George Karypis. 2004. Item-based top-N recommendation algorithms. ACM Trans. Inf. Syst. 22, 1 (January 2004), 143–177. https://doi.org/10.1145/963770.963776
Abdelwahab, A., Sekiya, H., Matsuba, I., Horiuchi, Y., & Kuroiwa, S. Alleviating the sparsity problem of collaborative filtering using an efficient iterative clustered prediction technique. International Journal of Information Technology & Decision Making, 2012. 11(01), 33–53. https://doi.org/10.1142/S0219622012500022
Alabdulrahman, R., & Viktor, H. Catering for unique tastes: Targeting grey-sheep users recommender systems through one-class machine learning. Expert Systems with Applications, 2021. 166, 114061. https://doi.org/10.1016/j.eswa.2020.114061.
Aggarwal, Charu C. Recommender Systems: The Textbook: Springer, 2016. 499 p. DOI 10.1007/978-3-319-29659-3, https://pzs.dstu.dp.ua/DataMining/recom/bibl/1aggarwal_c_c_recommender_systems_the_textbook.pdf
E. Bojnordi and P. Moradi, "A novel collaborative filtering model based on combination of correlation method with matrix completion technique", Proc. 16th CSI Int. Symp. Artif. Intell. Signal Process. (AISP), pp. 191-194, 2012.
M. Ranjbar, P. Moradi, M. Azami and M. Jalili, "An imputation-based matrix factorization method for improving accuracy of collaborative filtering systems", Eng. Appl. Artif. Intell., vol. 46, pp. 58-66, Nov. 2015.
R. Van Meteren and M. Van Someren, "Using content-based filtering for recommendation", Proc. Mach. Learn. New Inf. Age MLnet/ECML Workshop, pp. 47-56, 2000.
Li, B., Li, G., Xu, J., Li, X., Liu, X., Wang, M., & Lv, J. A personalized recommendation framework based on MOOC system integrating deep learning and big data. Computers and Electrical Engineering, 2023. 106, 108571. https://doi.org/10.1016/j.compeleceng.2022.108571.
Krulwich, "Lifestyle finder: Intelligent user profiling using large-scale demographic data", AI Mag., vol. 18, no. 2, pp. 37, 1997.
Salter, J., & Antonopoulos, N. CinemaScreen recommender agent: combining collaborative and content-based filtering. IEEE Intelligent Systems, 2006. 21(1), 35–41. http://doi.org/10.1109/MIS.2006.4
Ricci, F., Rokach, L., Shapira, B. Recommender Systems: Introduction and Challenges. In: Ricci, F., Rokach, L., Shapira, B. (eds) Recommender Systems Handbook. Springer, Boston, MA. 2015. https://doi.org/10.1007/978-1-4899-7637-6_1
Ning, X., Desrosiers, C., & Karypis, G. A comprehensive survey of neighborhood-based recommendation methods. Recommender systems handbook, 2015. 37-76.
Чередніченко О.Ю., Янголенко О.В., Іващенко О.В., & Матвєєв О.М. Моделі формування рекомендацій у інтелектуальних системах електронної комерції. Системи обробки інформації, 2020. випуск 1(160), 32-39. https://doi.org/10.30748/soi.2020.160.04
Pawełoszek I. Customer segmentation based on activity monitoring applications for the recommendation system, Procedia Computer Science, 2021. Volume 192, 4751-4761, https://doi.org/10.1016/j.procs.2021.09.253.
Верес Олег, Гадзало Олег. Застосування методів рекомендацій при аналізі компонентів ЕОМ. Інформаційні системи та мережі. 2023; том 14, с. 84-98, https://doi.org/10.23939/sisn2023.14.084
Meleshko Yu. Проблеми сучасних рекомендаційних систем та методи їх рішення. Системи управління, навігації та зв’язку. Збірник наукових праць. Полтава: ПНТУ, 2018. Т. 4 (50). С. 120-124. doi:https://doi.org/10.26906/SUNZ.2018.4.120.
Meleshko Yu. Методи оцінки якості роботи рекомендаційних систем. Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. Т. 5 (51). С. 92-97. – doi:https://doi.org/10.26906/SUNZ.2018.5.092.
Кучерук, В., & Глушко, М. Покращення якості рекомендаційних систем на основі кваліметричних методів вимірювання. Measuring and computing devices in technological processes, 2022. (2), 65–72. https://doi.org/10.31891/2219-9365-2022-70-2-9
