Алгоритми формування рекомендацій в інформаційній системі
DOI:
https://doi.org/10.18372/1990-5548.68.16088Ключові слова:
aлгоритм, рекомендаційна система, розмірність матриці, розрідженість, фільтраціяАнотація
У статті розглядається проблема масштабованості та розрідженості даних в алгоритмах рекомедацій. Запропоновано вдосконалення алгоритму item-to-item за допомогою виключення з user-item матриці елементів які мають мало оцінок. Таким чином використовуються більш щільні, що дозволяє отримати більш точні результати. Також за рахунок того, що зменшується розмірність user-item матриці зменшується час виконання алгоритму. Для вирішення задачі використовується коефіцієнт Тахімото, косинусна міра, коефіцієнт кореляції Пірсона та Евклідова відстань для обрахування міри схожості елементів. Було здійснено порівняння ефективності роботи звичайного алгоритму item-to-item і алгоритму з використанням лише активних значень в user-item матриці. Отримані результати підтверджують ефективність item-to-item алгоритму основаному на щільній матриці. Отримані результати можуть бути використані для оптимізації роботи будь-якої рекомендаційної системи.
Посилання
J. P. Mangalindan, “Amazon’S Recommendation Secret,” Fortune. 2012. http://fortune.com/2012/07/30/amazons-recommendation-secret/.
Yehuda Koren, “Collaborative Filtering with Temporal Dynamics,” 15th ACM SIGKDD Int’l Conf. Knowledge Discovery and Data Mining (KDD 09), ACM, 2009, pp. 447–455. https://doi.org/10.1145/1557019.1557072
Jiahui Liu, Peter Dolan, and Elin Ronby Pedersen, “Personalized news recommendation based on click behavior,” in: Rich, et al. (eds.) In the 14th Int. Conf. on Intelligent User Interfaces (IUI), ACM, 2010: 31–40. https://doi.org/10.1145/1719970.1719976
George Kaypi Sarwar, Konstan Joseph, and John Riedl, “Item-based Collaborative Filtering Recommendation Algorithms,” in the 10th International World Wide Web Conference, 2001, pp. 285–295. https://doi.org/10.1145/371920.372071
Sachin Walunj and Kishor Sadafale, “An online recommendation system for e-commerce based on apache mahout framework,” Proceedings of the 2013 annual conference on Computers and people research, ACM. 2013, pp. 153–158. https://doi.org/10.1145/2487294.2487328
Songjie Gong, “A Collaborative Filtering Recommendation Algorithm Based on User Clustering and Item Clustering,” JSW 5(7), 2010. https://doi.org/10.4304/jsw.5.7.745-752
Xiaoyuan Su, and Taghi M. Khoshgoftaar, “A Survey of Collaborative Filtering Techniques,” Advances in Artificial Intelligence, 2009: 1–19. https://doi.org/10.1155/2009/421425
Tricia Duryee, “Amazon Adds 30 Million Customers In the Past Year-Geekwire,” Geekwire. 2014. http://www.geekwire.com/2014/amazon-adds-30-millioncustomers-past-year/
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
