Trade, service, food industry Trade, service, food industry Торговля, сервис, индустрия питания / Trade, service, food industry 2782-2214 84883 Маркетинг и менеджмент Marketing and management Маркетинг и менеджмент COMPARATIVE ANALYSIS OF MATHEMATICAL ALGORITHMS FOR BUILDING RECOMMENDATION SYSTEMS СРАВНИТЕЛЬНЫЙ АНАЛИЗ МАТЕМАТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ ПОСТРОЕНИЯ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ Кене Лев Николаевич Kene Lev Nikolaevich lev_kene@mail.ru Кузьмич Роман Иванович Kuzmich Roman Ivanovich rkuzmich@sfu-kras.ru

кандидат технических наук;

candidate of technical sciences;

 Сибирский федеральный университет Красноярск Россия Siberian Federal University Krasnoyarsk Russian Federation Сибирский федеральный университет Siberian Federal University 25 11 2024 25 11 2024 4 4 390 401 03 07 2024 29 07 2024 https://tsfi-mag.ru/en/nauka/article/84883/view

Рекомендательные системы широко применяются в онлайн-сервисах для предоставления персонализированных рекомендаций пользователям, что способствует улучшению пользовательского опыта и повышению эффективности бизнеса. В данной статье проведен сравнительный анализ математических алгоритмов, используемых для построения рекомендательных систем. Рассмотрены основные классы алгоритмов, такие как коллаборативная фильтрация, контентные методы, гибридные подходы и алгоритмы на основе матричных разложений, а также методы кластеризации. Для каждого класса алгоритмов осуществлен обзор основных принципов работы, преимуществ и недостатков. Выявлены общие проблемы рекомендательных систем, дан сравнительный анализ алгоритмов на основе их точности, скорости работы, масштабируемости и способности работать с разреженными данными. Также рассматривается вопрос устойчивости алгоритмов к холодному старту и способы его преодоления. На основе проведенного анализа сделан вывод о том, что не существует универсального алгоритма, который подходил бы для всех типов задач рекомендательных систем. Подбор оптимального алгоритма зависит от конкретной задачи, особенностей данных и требований к качеству рекомендаций. Дальнейшие исследования в этой области могут быть направлены на разработку новых гибридных алгоритмов, учитывающих особенности современных онлайн-сервисов и повышающих качество рекомендаций, а также на разработку рекомендательных систем, построенных на основе этих алгоритмов.

Recommendation systems are widely used in online services to provide personalized recommendations to users, which helps to improve the user experience and increase business efficiency. This article provides a comparative analysis of the mathematical algorithms used to build recommendation systems. The article discusses the main classes of algorithms, such as collaborative filtering, content methods, hybrid approaches and algorithms based on matrix decompositions, as well as clustering methods. For each class of algorithms, there is an overview of the basic principles of research, advantages and disadvantages. A comparative analysis of algorithms based on their accuracy, speed, scalability and ability to work with sparse data is carried out. The issue of resistance of algorithms to cold starts and ways to overcome it are also considered. Based on the analysis, it is concluded that there is no universal algorithm that would be suitable for all types of recommender system problems. The selection of the optimal algorithm depends on the specific task, data characteristics and requirements for the quality of recommendations. Further research in this area can be aimed at developing new hybrid algorithms that take into account the features of modern online services and improve the quality of recommendations, as well as the development of recommender systems built on the basis of these algorithms.

 рекомендательные системы коллаборативная фильтрация кластеризация прогнозирование оценок подобие пользователей подобие предметов Python SVD разложение recommendation systems collaborative filtering clustering estimation prediction user similarity subject similarity Python SVD decomposition

Цурко, В. В. Рекомендательные системы в здравоохранении [Текст] / В. В. Цурко // Управление большими системами. – 2019. – № 82. – С. 61–73. Tsurko, V.V. (2019). Recommender systems in healthcare. Managing large systems, 82, 61–73. Рекомендательные системы [Электронный ресурс] // Викиконспекты ИТМО. – 2022. – URL: https://neerc.ifmo.ru/wiki/index.php?title=Рекомендательные_системы (дата обращения: 11.06.2024). Recommender systems [Electronic source] // ITMO Wikinotes. – 2022. – URL: https://neerc.ifmo.ru/wiki/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B (Date of access: 11.06.2024). Якупов, Д. Р. Рекомендательные системы на основе сессий – модели и задачи [Текст] / Д. Р. Якупов, Д. Е. Намиот // International Journal of Open Information Technologies. – 2022. – № 7(10). – С. 128–152. Yakupov, D. R., Namiot, D. E. (2022). Session-based recommender systems – models and tasks. International Journal of Open Information Technologies, 7(10), 128–152. Применение рекомендательных технологий в системах с пространственной информацией [Текст] / Д. С. Парыгин, А. С. Стрекалова, А. С. Гуртяков [и др.] // Прикаспийский журнал: управление и высокие технологии. – 2019. – № 1(45). – С. 96–109. Parygin, D. S., Strekalova, A. S., Gurtyakov, A. S., et. al. (2019). Application of recommendation technologies in systems with spatial information. Caspian Journal: Management and High Technologies, 1(45), 96–109. Филиппов, С. А. Оценка эффективности метода повышения пертинентности информации в рекомендательных системах поддержки жизнеобеспечения на основе неявных данных [Текст] / С. А. Филиппов, В. Н. Захаров // Современные информационные технологии и ИТ-образование. – 2016. – № 2(12). – С. 186–193. Filippov, S. A., Zakharov, V. N. (2016). Assessing the effectiveness of a method for increasing the persistence of information in life support recommendation systems based on implicit data. Modern information technologies and IT education, 2(12), 186–193. Ларионов, В. С. Обзор методов коллаборативной фильтрации [Текст] / В. С. Ларионов, И. В. Дунин // Форум молодых ученых. – 2017. – № 5(9). – С. 1230–1238. Larionov, V. S., Dunin, I. V. (2017). Review of collaborative filtering methods. Forum of young scientists, 5(9), 1230–1238. Ершов, Т. А. Рекомендательная система для изображений на основе искусственного интеллекта [Текст] / Т. А. Ершов // E-Scio. – 2023. – № 8(83). – С. 1–7. Ershov, T. A. (2023). Recommendation system for images based on artificial intelligence. E-Scio, 8(83), 1–7. Что такое рекомендательные системы и как они работают [Электронный ресурс // Skillbox Media. – 2021. – URL: https://skillbox.ru/media/code/chto_takoe_rekomendatelnye_sistemy_i_kak_oni_rabotayut/ (дата обращения: 10.06.2024). What are recommender systems and how do they work? Skillbox Media. [Electronic source] URL: https://skillbox.ru/media/code/chto_takoe_rekomendatelnye_sistemy_i_kak_oni_rabotayut/ (Date of access: 10.06.2024). Рекомендательные системы: что это и как работает алгоритм рекомендаций [Электронный ресурс]. – 2022. – URL: https://mindbox.ru/journal/education/rekomendatelnye-sistemy/ (дата обращения: 27.05.2024). Recommender systems: what they are and how the recommendation algorithm works [Electronic source] URL: https://mindbox.ru/journal/education/rekomendatelnye-sistemy/ (Date of access: 27.05.2024). Рекомендательные системы: как алгоритмы подбирают нам товары и контент [Электронный ресурс]. – 2020. – URL: https://hub.forklog.com/rekomendatelnye-sistemy-kak-algoritmy-podbirayut-nam-tovary-i-kontent/ (дата обращения: 30.05.2024). Recommendation systems: how algorithms select products and content for us. [Electronic source]. URL: https://hub.forklog.com/rekomendatelnye-sistemy-kak-algoritmy-podbirayut-nam-tovary-i-kontent/ (Date of access: 30.05.2024). Что такое рекомендательные системы? [Электронный ресурс]. – 2022. – URL: https://forklog.com/cryptorium/ai/chto-takoe-rekomendatelnye-sistemy (дата обращения: 01.06.2024). What are recommender systems? [Electronic source] URL: https://forklog.com/cryptorium/ai/chto-takoe-rekomendatelnye-sistemy (Date of access: 01.06.2024). Королева, Д. Е. Анализ алгоритмов обучения коллаборативных рекомендательных систем [Текст] / Д. Е. Королева, М. В. Филиппов // Инженерный журнал: наука и инновации. – 2013. – № 6(18). – С. 1–8. Koroleva, D. E., Filippov, M. V. (2013). Analysis of learning algorithms for collaborative recommender systems. Engineering journal: science and innovation, 6(18), 1–8. Kim, T. H. A Refined Neighbor Selection Algorithm for Clustering-Based Collaborative Filtering [Text] / T. H. Kim, S. B. Yang // The KIPS Transactions: PartD. – 2007. – № 14(3). – Pp. 347–354. Kim, T. H., Yang, S. B. (2007). A Refined Neighbor Selection Algorithm for Clustering-Based Collaborative Filtering. The KIPS Transactions: PartD, 14(3), 347–354. MovieLens [Электронный ресурс]. – 2024. – URL: https://grouplens.org/datasets/movielens/ (дата обращения: 30.05.2024). MovieLens. [Electronic source] URL: https://grouplens.org/datasets/movielens/ (Date of access: 30.05.2024). Как работают рекомендательные системы [Электронный ресурс]. – 2019. – URL: https://neurohive.io/ru/osnovy-data-science/rekomendatelnye-sistemy-modeli-i-ocenka/ (дата обращения: 10.06.2024). How recommender systems work. [Electronic source] URL: https://neurohive.io/ru/osnovy-data-science/rekomendatelnye-sistemy-modeli-i-ocenka/ (Date of access: 10.06.2024). 15 библиотек Python для Data Science [Электронный ресурс]. – 2024. – URL: https://blog.skillfactory.ru/15-bibliotek-python-dlya-data-science/ (дата обращения: 12.06.2024). 15 libraries Python for Data Science. [Electronic source] URL: https://blog.skillfactory.ru/15-bibliotek-python-dlya-data-science/ (Date of access: 12.06.2024). Hastie, T. Matrix completion and low-rank SVD via fast alternating least squares [Text] / T. Hastie, R. Mazumder, J. D. Lee // The Journal of Machine Learning Research. – 2015. – № 16(1). – P. 3367–3402. Hastie, T., Mazumder R., Lee, J. D. (2015). Matrix completion and low-rank SVD via fast alternating least squares. The Journal of Machine Learning Research, 16(1), 3367–3402. Takács, G. Alternating least squares for personalized ranking [Text] / G. Takács, D. Tikk // Proceedings of the 6th ACM conference on Recommender systems (18–23 September 2022), Seattle. – Pp. 83–90. Takács, G., Tikk, D. (2022). Alternating least squares for personalized ranking. Proceedings of the 6th ACM conference on Recommender systems, 83–90. Deng, D. DBSCAN clustering algorithm based on density [Text] / D. Deng // Proceedings of 7th international forum on electrical engineering and automation (25–27 September 2020), China. – Pp. 949–953. Deng, D. (2020). DBSCAN clustering algorithm based on density. Proceedings of 7th international forum on electrical engineering and automation, 949–953. Жилов, Р. А. Интеллектуальные методы кластеризации данных [Текст] / Р. А. Жилов // Известия КБНЦ РАН. – 2023. – № 6(116). – С. 152–159. Zhilov, R. A. (2023). Intelligent methods of data clustering. News of the KBSC RAS, 6(116), 152–159. Tokuda, E. K. Revisiting agglomerative clustering [Text] / E. K. Tokuda, C. H. Comin, L. D. F. Costa // Physica A: Statistical mechanics and its applications. – 2022. – № 585. – P. 126433. Tokuda, E. K., Comin, C. H., Costa, L. D. F. (2022). Revisiting agglomerative clustering. Physica A: Statistical mechanics and its applications, 585, 126433. Булыга, Ф. С. Алгоритмы агломеративной кластеризации применительно к задачам анализа лингвистической экспертной информации [Текст] / Ф. С. Булыга, В. М. Курейчик // Известия ЮФУ. Технические науки. – 2021. – № 6(223). – С. 73–88. Bulyga, F. S., Kureichik, V. M. (2021). Agglomerative clustering algorithms in relation to problems of analysis of linguistic expert information. Izvestia SFU. Technical science, 6(223), 73–88. Оценка производительности кластеризации в Scikit Learn [Электронный ресурс]. – 2024. – URL: https://ru.linux-console.net/?p=25753 (дата обращения: 12.06.2024). Evaluation of clustering performance in Scikit Learn. [Electronic source] URL: https://ru.linux-console.net/?p=25753 (Date of access: 12.06.2024). Таратухина, Ю. В. Машинное обучение модели информационной рекомендательной системы по вопросам индивидуализации образования [Текст] / Ю. В. Таратухина, Т. В. Барт, В. В. Власов // Образовательные ресурсы и технологии. – 2019. – № 2(27). – С. 7–14. Taratukhina, Yu. V., Bart, T. V., Vlasov, V. V. (2019). Machine learning model of an information recommendation system on issues of individualization of education. Educational resources and technologies, 2(27), 7–14. A Survey and Classification on Recommendation Systems [Text] / M. Sharma, R. Mittal, A. Bharati [and et. al.] // Proceedings of 2nd International Conference on Big Data, Machine Learning and Applications (19–20 December 2021), Kurukshetra, 2022. – Pp. 1–16. Sharma, M., Mittal, R., Bharati, A., et. al. (2022). A Survey and Classification on Recommendation Systems. Proceedings of 2nd International Conference on Big Data, Machine Learning and Applications, 1–16.