Login

Журнал «Современная Наука»

Russian (CIS)English (United Kingdom)

МОСКВА +7(495)-755-19-13

Статьи:
A+ R A-

Повышение качества решения задачи topN коллаборативными рекомендательными системами

E-mail Печать

Д.М. Понизовкин,  (Программист, IT-Aces, Ярославская обл., г. Переславль-Залесский)

Серия «Естественные и Технические науки» # 07-08  2017

В работе рассматриваются рекомендательные системы. Основная функциональность этих систем заключается в реализации помощи их пользователям производить быстрый поиск актуальной и нужной информации на основании предоставляемых системой рекомендаций. Данная задача является сложной и актуальной в современных условиях, когда доступно огромное число информации через интернет и различные устройства. Существуют различные техники, которые применяются в рекомендательных системах для реализации целевой функциональности. В работе рассмотрена одна из самых известных и успешных техник – коллаборативная фильтрация. Эта техника заключается в фильтрации на основании взаимосвязей, которая может быть произведена по пользователям или по объектам системы. В работе рассматривается фильтрация, производимая по объектам. С помощью такой техники решается задача определения подмножества объектов мощности , близких по характеристикам к предпочтениям пользователя. Решение задачи качественно, если определенное системой подмножество состоит из близких к пользователю объектов. Для того, чтобы провести фильтрацию, рекомендательные системы производят вычисление значений функций, называемых мерами близости. Если значение меры близости больше некоторого порогового значения, то тогда выполняется отношение близости и такие объекты не отфильтровываются системой. В статье приведено достаточное условие, при котором коллаборативные системы гарантируют достижение качественного решения, - свойство транзитивности отношения близости объектов. Выполнение свойства транзитивности зависит от того, какая функция используется в качестве меры близости, и ее пороговое значение для определения выполнения отношения близости. В статье предложен способ построения таких рекомендательных систем, которые при применении коллаборативной фильтраии по множеству объектов гарантируют выполнение достаточного условия качественного решения.

Ключевые слова: Рекомендательная система, коллаборативная фильтрация, задача , качество решения, мера близости.

 

Читать полный текст статьи …


СПИСОК ЛИТЕРАТУРЫ:
1. P. Resnick and H. R. Varian, "Recommender systems", Communications of the ACM, vol. 40, no. 3, pp. 56­58, 1997.
2. Karypis G. Evaluation of item-based top-N recommendation algorithms // in Proceedings of the International Conference on Information and Knowledge Management. 2001. с. 247–254.
3. Deshpande M., Karypis G. Item-based top-N recommendation algorithms // ACM Transactions on Information Systems. 2004. С. 143–177.
4. Su X., Khoshgoftaar T. A survey of collaborative filtering based social recommender systems // Computer Communications. 2014. Т. 41. С. 1–10.
5. Herloker J. Evaluating Collaborative Filtering Recommender Systems // ACM TRANSACTIONS ON INFORMATION SYSTEMS. 2004. Т. 22. С. 5–53.
6. Explaining Collaborative Filtering Recommendations, Jonathan L. Herlocker, Joseph A. Konstan, and John Riedl
7. G. Adomavicius and A. Tuzhilin, "Toward the next genera- tion of recommender systems: a survey of the state-of-the- art and possible extensions," IEEE Transactions on Knowledge and Data Engineering, vol. 17, no. 6, pp. 734­749, 2005.
8. Umyarov A., Tuzhilin A. Improving Collaborative Filtering Recommendations Using External Data // ICDM ’08 Proceedings of the 2008 Eighth IEEE International Conference on Data Mining. 2008. С. 618–627.
9. Wang Jun. Unifying user-based and item-based collaborative filtering approaches by similarity fusion // SIGIR ’06 Proceedings of the 29th annual international ACM SIGIR. 2006.
10. Berkovsky S., Kuflik T., Ricci F. Cross-Domain Mediation in Collaborative Filtering // Proceedings of the 11th international conference on User Modeling. 2007. С. 355–359.
11. Item-based collaborative filtering recommendation algorithms / B. Sarwar, G. Karypis, J. Konstan [и др.] // Proceedings of the 10th international conference on World Wide Web. 2001. С. 285–295.
12. Yao W., Xudong L., Min X., Ester M., Qing Y. CCCF: Improving Collaborative Filtering via Scalable User-Item Co-Clustering// WSDM '16 Proceedings of the Ninth ACM International Conference on Web Search and Data Mining, pp 73-82
13. R. Hu and P. Pu. Using personality information in collaborative filtering for new users. Recommender Systems and the Social Web, page 17, 2010.
14. D. Asanov Algorithms and Methods in Recommender Systems// Berlin Institute of Technology // https://www.snet.tu-berlin.de/fileadmin/fg220/courses/SS11/snet-project/recommender-systems_asanov.pdf
15. Miha Grchar and Dunja Mladenich and Marko Grobelnik Data sparsity issues in the collaborative filtering framework.Proceedings of the WebKDD'05 Proceedings of the 7th international conference on Knowledge Discovery on the Web: advances in Web Mining and Web Usage Analysis, pp58-76 Pages 58-76
16. А. Амелькин., Д. П. Понизовкин. Математическая модель задачи top-N для контентных рекомендательных систем // Известия МГТУ МАМИ, 2, c. 26–31



© 
Д.М. Понизовкин, Журнал "Современная наука: актуальные проблемы теории и практики".
 

 

 

ПРАВОВАЯ ИНФОРМАЦИЯ:
Перепечатка материалов допускается только в некоммерческих целях со ссылкой на оригинал публикации. Охраняется законами РФ. Любые нарушения закона преследуются в судебном порядке.
© ООО "Научные технологии"

Серия - Естеств. и Техн. науки

Выпуск 2017 7-8(1) Natural and Technical

Выпуск 2017 7-8(2) Natural and Technical

Выпуск 2017 06 Natural and Technical

Выпуск 2017 05 Natural and Technical

Выпуск 2017 03-04 Natural and Technical

Выпуск 2017 02 Natural and Technical

Выпуск 2017 01 Natural and Technical

Выпуск 2016 12 Natural and Technical

Выпуск 2016 11 Natural and Technical

Выпуск 2016 09-10 Natural and Technical

Выпуск 2016 08 Natural and Technical

Выпуск 2016 07 Natural and Technical

Выпуск 2016 06 Natural and Technical

Выпуск 2016 05 Natural and Technical

Выпуск 2016 04 Natural and Technical

Выпуск 2016 03 Natural and Technical

Выпуск 2016 02 Natural and Technical

Выпуск 2016 01 Natural and Technical

Выпуск 2015 13 Natural and Technical

Выпуск 2015 12(1) Natural - Technical

Выпуск 2015 12(2) Natural and Technical

Выпуск 2015 11(1) Natural and Technical

Выпуск 2015 11(2) Natural and Technical

Выпуск 2015 09-10 Natural and Technical

Выпуск 2015 07-08 Natural and Technical

Выпуск 2015 05-06 Natural and Technical

Выпуск 2015 03-04 Natural and Technical

Выпуск 2015 01-02 Natural and Technical

Выпуск 2014 11-12 Natural and Technical

Выпуск 2014 09-10 Natural and Technical

Выпуск 2014 07-08 Natural and Technical

Выпуск 2014 05-06 Natural and Technical

Выпуск 2014 03-04 Natural and Technical

Выпуск 2014 01-02 Natural and Technical

Выпуск 2013 11-12 Natural and Technical

Выпуск 2013 9-10 Natural and Technical

Выпуск 2013 7-8 Natural and Technical

Выпуск 2013 5-6 Natural and Technical

Выпуск 2013 3-4 Natural and Technical

Выпуск 2013 1-2 Natural and Technical

Выпуск 2012 12 Natural and Technical

Выпуск 2012 10-11 Natural and Technical

Выпуск 2012 8-9 Natural and Technical

Выпуск 2012 6-7 Natural and Technical

Выпуск 2012 4-5 Natural and Technical

Выпуск 2012-03 Natural and Technical

Выпуск 2012-02 Natural and Technical

Выпуск 2012-01 Natural and Technical

Выпуск 01-2011 Natural and Technical