DOI: https://doi.org/10.20998/2522-9052.2020.3.06

Вдосконалена модель обчислення коефіцієнтів подоби користувачів рекомендаційних систем

Yelyzaveta Meleshko, Oleksandr Drieiev, Anas Mahmoud Al-Oraiqat

Анотація


Предметом вивчення у статті є модель обчислення коефіцієнтів подоби користувачів рекомендаційних систем. Актуальність розробки визначається необхідністю підвищення якості рекомендаційних систем шляхом адаптації часових характеристик до можливих змін подоби користувачів. Метою є розробка методу визначення періоду стабільності вподобань користувачів рекомендаційної системи на основі перерахунку коефіцієнтів подоби між парами користувачів. Завдання: дослідити ймовірність зміни вподобань користувачів рекомендаційної системи за допомогою порівняння коефіцієнтів їх подоби у часі, дослідити за яким законом розподілу змінюються коефіцієнти подоби користувачів у часі. Методи досліджень: теорія графів, теорія ймовірності, теорія радіоактивності, теорія алгоритмів. Висновки. В ході досліджень вдосконалено модель обчислення коефіцієнтів подоби користувачів рекомендаційних систем. Модель відрізняється від відомих врахуванням показників періоду перерахунку коефіцієнтів подоби для окремого користувача та середнього періоду перерахунку коефіцієнтів подоби для усіх користувачів системи або певної групи користувачів. Розроблено програмне забезпечення, в рамках якого було проведено серію експериментів для перевірки ефективності розробленого методу. Проведені експерименти показали, що розроблений метод в цілому підвищує якість роботи рекомендаційної системи без істотних коливань точності роботи системи. Точність може несуттєво зменшуватись або збільшуватись, залежно від характеристик набору вхідних даних. Використання запропонованих рішень дозволить збільшити період застосування попередньо обчислених коефіцієнтів подоби користувачів для прогнозування вподобань без їх повторного перерахунку та, відповідно, зменшити час формування і видачі рекомендацій до 2 разів.

Ключові слова


рекомендаційні системи; коефіцієнти подоби; колаборативна фільтрація; аналіз даних; оптимізація

Повний текст:

PDF (English)

Посилання


(2010), Recommender Systems Handbook, Editors Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor, 1st edition, New York, NY, USA: Springer-Verlag New York, Inc., 842 p., available at: https://doi.org/10.1007/978-0-387-85820-3

Segaran, T. (2008), Programming Collective Intelligence, Building Smart Web 2.0 Applications, O'Reilly Media, 368 p.

Koren, Ye. (2009), “Collaborative filtering with temporal dynamics”, Proceeding KDD '09 Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, P. 447-456.

Meleshko, Ye. (2018), “Research of methods of building advisory systemson the internet”, Control, Navigation and Communication Systems, Issue 1 (47), pp. 131-136, DOI: https://doi.org/10.26906/SUNZ.2018.1.131 (in Ukrainian).

Meleshko, Ye. (2018), “Method of collaborative filtration based on associative networks of users similarity”, Advanced Information Systems, Vol. 2, No. 4, pp. 55-59, DOI: https://doi.org/10.20998/2522-9052.2018.4.09

Cao, J., Hu, H., Luo, T., Wang, J., Huang, M., Wang K., Wu Z. and Zhang, X. (2015), “Distributed Design and Implementation of SVD++ Algorithm for E-commerce Personalized Recommender System”, Communications in Computer and Information Science, Vol. 572, Springer Singapore, pp. 30-44, DOI: 10.1007/978-981-10-0421-6_4

Jia, Ya. (2014), “Users' brands preference based on SVD++ in recommender systems”, IEEE Workshop on Advanced Research and Technology in Industry Applications, pp. 1175-1178, DOI: 10.1109/wartia.2014.6976489

Huba, Gaspar (2015), The Cold Start Problem for Recommender Systems, available at:

https://www.yuspify.com/blog/cold-start-problem-recommender-systems/

Bernardi, L., Kamps, J., Kiseleva, J. and Mueller, M.J.I. (2015), The Continuous Cold Start Problem in e-Commerce Recommender Systems, available at: https://www.researchgate.net/publication/280773072_The_Continuous_Cold_Start_ Problem_in_e-Commerce_Recommender_Systems

Meleshko, Ye. (2018), “Problems of modern recommendation systems and methods of their solution”, Control, Navigation and Communication Systems, Issue 4 (50), pp. 120-124, available at: https://doi.org/10.26906/SUNZ.2018.4.120

Menshykova, N.V., Portnov, I.V. and Nikolayev, I.E. (2016), “The overview of recommender systems and the possibility of context accounting in the formation of individual recommendations”, ACADEMY, Issue 6, pp. 20–22 (in Russian)

Kotkov, D., Konstan, J.A., Zhao, Q. and Veijalainen, J. (2018), Investigating Serendipity in Recommender Systems Based on Real User Feedback, available at: https://www-users.cs.umn.edu/~zhaox331/papers/denis2018sac.pdf

Castells, P., Vargas, S. and Wang, J. (2011), Novelty and Diversity Metrics for Recommender Systems: Choice, Discovery and Relevance, available at: https://www.semanticscholar.org/paper/Novelty-and-Diversity-Metrics-for-Recommender-and-Castells-Vargas/4ec6bd672aaaa075b42a751099eb9317857e6e0

Amelkin. S.A. (2012). “Evaluation of the effectiveness of recommender systems”, Digital Libraries: Advanced Methods and Technologies, Digital Collections - RCDL-2012, Pereslavl-Zalessky, October 15-18, 2012, pp. 288-291. (in Russian)

Burke, R. (2002), Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction, vol. 12, DOI: https://doi.org/10.1023/A:1021240730564

Ozsoy, M.G. and Polat, F. (2013), “Trust based recommendation systems”, 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, pp. 1267-1274.

Mohammadi, V., Rahmani, A.M., Darwesh, A.M. and Sahafi, A. (2019), “Trust-based recommendation systems in Internet of Things: a systematic literature review”, Human-centric Computing and Information Sciences, DOI: https://doi.org/10.1186/s13673-019-0183-8

Lin, Z. and Chen, H. (2019), Recommendation over time: a probabilistic model of time-aware recommender systems, Sci. China Inf. Sci. 62, 212105, DOI: https://doi.org/10.1007/s11432-018-9915-8

Wei, S., Ye, N. and Zhang, Q. (2012), “Time-Aware Collaborative Filtering for Recommender Systems”, Liu CL., Zhang C., Wang L. (eds) Pattern Recognition. CCPR 2012, Communications in Computer and Information Science, vol 321. Springer, Berlin, Heidelberg.

Campos, P.G., Díez, F. & Cantador I. (2014), “Time-aware recommender systems: a comprehensive survey and analysis of existing evaluation protocols”, User Model User-Adap Inter 24, P. 67-119, DOI: https://doi.org/10.1007/s11257-012-9136-x

Quan, Yuan, Gao, Cong, Zongyang, Ma, Aixin, Sun and Nadia, Magnenat-Thalmann (2013), “Time-aware point-of-interest recommendation”, Proceedings of the 36th international ACM SIGIR conference on Research and development in information retrieval (SIGIR ’13), Association for Computing Machinery, New York, NY, USA, 363-372. DOI: https://doi.org/10.1145/2484028.2484030

Liu, N.N., Zhao, M., Xiang E.W. and Yang, Q. (2010), “Online evolutionary collaborative filtering”, Amatriain, X., Torrens, M., Resnick, P., Zanker, M. (eds.) RecSys. pp. 95–102.

Ding, Y., Li X. (2005), “Time weight collaborative filtering”, Proceedings of the 14th ACM international conference on Information and knowledge management (CIKM ’05), Association for Computing Machinery, New York, NY, USA, P. 485-492, DOI: https://doi.org/10.1145/1099554.1099689

Semenov, S.G., Gavrylenko, S.Y. and Chelak, V.V. (2016), “Developing parametrical criterion for registering abnormal behavior in computer and telecommunication systems on the basis of economic tests”, Actual Problems of Economics, Issue 4(178), pp. 451-459.

Semenov, S., Dorokhov, O. and Grynov, D. (2013), “The concept definition of mathematical modelling of the secured information-telecommunication system with regard to conditions of the posterior uncertainty”, Transport and Telecommunication, Vol. 14, No 2, pp. 167-174.

Harper, F.M. and Konstan, J.A. (2016), “The MovieLens Datasets: History and Context”, ACM Transactions on Interactive Intelligent Systems (TiiS), available at: https://doi.org/10.1145/2827872

Rukosuev, A., Bashlykov, V. and Baldin, K. (2011), Fundamentals of Probability Theory and Mathematical Statistics, Textbook, Flinta, Moscow, 980 p. (in Russian).

Klimov, A.N. (1985), Nuclear Physics and Nuclear Reactors, Energoatomizdat, Moscow, 352 p. (in Russian).




Copyright (c) 2020 Yelyzaveta Meleshko, Oleksandr Drieiev, Anas Mahmoud Al-Oraiqat