КЛАССИФИКАЦИЯ КОНТЕКСТНО-ЗАВИСИМЫХ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ ДЛЯ РЕКОМЕНДАЦИИ ТОЧЕК ИНТЕРЕСА

Жданов Павел Сергеевич

На сегодняшний день контекстно-зависимые рекомендательные системы для рекомендации точек интереса являются эффективными инструментами анализа поведения пользователей: они не только выявляют пользовательские предпочтения, но и позволяют формировать релевантные рекомендации локаций, которые будут интересны для посещения пользователю в заданных условиях. Изначально для таких рекомендаций использовались различные модификации моделей на основе матричной факторизации с добавлением контекстных признаков, однако с развитием и массовым распространением моделей глубокого обучения, исследователи стали активнее использовать нейронные сети в контекстно-зависимых рекомендательных системах для рекомендации точек интереса, что позволило вывести качество работы алгоритмов на принципиально новый уровень. В этом исследовании предлагается всесторонний обзор и анализ контекстно-зависимых рекомендательных подходов для рекомендаций точек интереса, основанных на матричной факторизации и глубоком обучении, чтобы сформировать общее представление у исследователей, заинтересованных в предмете. В работе описываются различные модификации, используемые при создании моделей матричной факторизации и изменения в архитектурах нейронных сетей для работы с различными контекстными факторами. Также в исследовании, помимо классификации моделей, представлены особенности каждого класса моделей, их достоинства и недостатки.

Ключевые слова:контекстно-зависимые рекомендательные системы; рекомендация точек интереса; матричная факторизация; нейронные сети