с 01.01.2022 по 01.01.2024
Красноярск, Красноярский край, Россия
Красноярск, Красноярский край, Россия
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.
рекомендательные системы, коллаборативная фильтрация, кластеризация, прогнозирование оценок, подобие пользователей, подобие предметов, Python, SVD разложение
1. Цурко, В. В. Рекомендательные системы в здравоохранении [Текст] / В. В. Цурко // Управление большими системами. – 2019. – № 82. – С. 61–73.
2. Рекомендательные системы [Электронный ресурс] // Викиконспекты ИТМО. – 2022. – URL: https://neerc.ifmo.ru/wiki/index.php?title=Рекомендательные_системы (дата обращения: 11.06.2024).
3. 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.
4. 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.
5. 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.
6. Ларионов, В. С. Обзор методов коллаборативной фильтрации [Текст] / В. С. Ларионов, И. В. Дунин // Форум молодых ученых. – 2017. – № 5(9). – С. 1230–1238.
7. Ершов, Т. А. Рекомендательная система для изображений на основе искусственного интеллекта [Текст] / Т. А. Ершов // E-Scio. – 2023. – № 8(83). – С. 1–7.
8. 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).
9. 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).
10. 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).
11. Что такое рекомендательные системы? [Электронный ресурс]. – 2022. – URL: https://forklog.com/cryptorium/ai/chto-takoe-rekomendatelnye-sistemy (дата обращения: 01.06.2024).
12. 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.
13. 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.
14. MovieLens [Электронный ресурс]. – 2024. – URL: https://grouplens.org/datasets/movielens/ (дата обращения: 30.05.2024).
15. 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).
16. 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).
17. 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.
18. 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.
19. 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.
20. Жилов, Р. А. Интеллектуальные методы кластеризации данных [Текст] / Р. А. Жилов // Известия КБНЦ РАН. – 2023. – № 6(116). – С. 152–159.
21. 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.
22. 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.
23. Оценка производительности кластеризации в Scikit Learn [Электронный ресурс]. – 2024. – URL: https://ru.linux-console.net/?p=25753 (дата обращения: 12.06.2024).
24. 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.
25. 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.
