УДК 004.031.42

СРАВНИТЕЛЬНЫЙ АНАЛИЗ МАТЕМАТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ ПОСТРОЕНИЯ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

Опубликовано в Торговля, сервис, индустрия питания / Trade, service, food industry · Том 4, Номер 4 · Страницы 390–401 · Рубрика: Маркетинг и менеджмент
Получено: 03.07.2024 Одобрено: 29.07.2024 Опубликовано: 25.11.2024
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
Текст Список литературы
Текст (PDF)
Читать Скачать

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.

Войти или Создать
* Забыли пароль?