Розробка гібридної рекомендаційної системи
Анотація
Сучасний інтернет і веб-сервіси переповнені великою кількістю інформації, що стає складнішим для користувачів. Системи рекомендацій мають на меті вирішити проблему перевантаження інформацією, одночасно персоналізують досвід користувача, надають точні персоналізовані рекомендації відповідно до їхніх уподобань. Головною метою цієї роботи є реалізація системи рекомендацій для складної предметної сфери та алгоритму її впровадження для предметної області пошуку закладів послуг. У статті коротко описані основні підходи та алгоритми, які використовуються в системах рекомендацій, а також висвітлені області застосування, переваги та недоліки кожного з них. У роботі наведено опис реалізації системи рекомендацій для складної предметної сфери та алгоритму її впровадження для предметної області пошуку закладів сфери послуг. Особливістю системи, що розробляється, є важливість даних про геолокацію для формування рекомендацій. Розроблено алгоритм гібридної системи рекомендацій, що об’єднує в собі підходи до розробки систем рекомендацій на основі знань та фільтрації на основі вмісту. Перевагами описаного алгоритму є відсутність необхідності зберігати та використовувати у розрахунках інформацію про попередні сеанси користувачів, вирішення проблеми холодного запуску, формування актуальних рекомендацій для поточного сеансу користувача та вирішення проблеми визначення місцезнаходження для рекомендованого закладу. Запропонований підхід може бути використано для розробки та впровадження рекомендаційного алгоритму у складних предметних сферах, де дані про геолокацію важливі для надання рекомендацій.
Завантаження
Посилання
/Посилання
MacKenzie, C. Meyer, S. Noble, How retailers can keep up with consumers. McKinsey & Company, 2013. URL: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers (Last accessed: 29.08.2023).
C. C. Aggarwal, An Introduction to Recommender Systems. In Recommender Systems; Springer: Cham, Switzerland, 2016. URL: https://www.springer.com/gp/book/9783642031205 (Last accessed: 30.08.2023).
Yang X., Guo Y., Liu Y., Steck H., A survey of collaborative filtering based social recommender systems. Comput. Commun. 2014, 41, pp. 1–10. URL: https://www.sciencedirect.com/science/article/abs/pii/S0140366413001722 (Last accessed: 30.08.2023).
Ding Z., Li X., Jiang C, Zhou M., Objectives and state-of-the-art of location-based social network recommender systems. ACM Comput. Surv. CSUR 2018, 51, pp. 1–28. URL: https://dl.acm.org/doi/abs/10.1145/3154526 (Last accessed: 05.09.2023).
Z. Fayyaz, M. Ebrahimian, D. Nawara, A. Ibrahim, R. Kashef, Recommendation Systems: Algorithms, Challengers, Metrics, and Business. Appl. Sci., 2020. URL: https://www.mdpi.com/2076-3417/10/21/7748#B10-applsci-10-07748 (Last accessed: 05.09.2023).
B.M. Sarwar, G. Karypis, J.A. Konstan, J. Riedl, Item-based collaborative filtering recommendation algorithms. In WWW ’01, Proceedings of the 10th International Conference on World Wide Web, Hong Kong, China, 1–5 May 2001; Association for Computing Machinery: New York, NY, USA, 2001; Volume 1, pp. 285–295. URL: https://dl.acm.org/doi/abs/10.1145/371920.372071 (Last accessed: 05.09.2023).
J.B. Schafer, D. Frankowski, J. Herlocker, S. Sen, Collaborative filtering recommender systems. In The Adaptive Web; Springer: Berlin/Heidelberg, Germany, 2007; pp. 291–324. URL: https://link.springer.com/chapter/10.1007/978-3-540-72079-9_9 (Last accessed: 07.09.2023).
Al-Shamri, M.Y.H., User profiling approaches for demographic recommender systems. Knowl. Based Syst. 2016, 100, pp. 175–187. URL: https://www.sciencedirect.com/science/article/abs/pii/S0950705116001192 (Last accessed: 10.09.2023).
Deng F., Utility-based recommender systems using implicit utility and genetic algorithm. In Proceedings of the 2015 International Conference on Mechatronics, Electronic, Industrial and Control Engineering (MEIC-15), Shenyang, China, 1–3 April 2015; Atlantis Press: Amsterdam, The Netherlands, 2015. URL: https://www.atlantis-press.com/proceedings/meic-15/19830 (Last accessed: 11.09.2023).
R. Burke, Knowledge-based recommender systems. In Encyclopedia of Library and Information Systems; CRC Press: Boca Raton, FL, USA, 2000; Volume 69, (Suppl. 32), pp. 175–186. URL: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=dc133144d431fc3b75c8de27f6bb21da6eb5bc1b (Last accessed: 11.09.2023).
A.A. Kardan, M. Ebrahimi, A novel approach to hybrid recommendation systems based on association rules mining for content recommendation in asynchronous discussion groups. Inf. Sci. 2013, 219, pp. 93–110. URL: https://www.sciencedirect.com/science/article /abs/pii/S0020025512004756 (Last accessed: 18.09.2023).
I. MacKenzie, C. Meyer, S. Noble, How retailers can keep up with consumers. McKinsey & Company, 2013. URL: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers (Last accessed: 29.08.2023).
C. C. Aggarwal, An Introduction to Recommender Systems. In Recommender Systems; Springer: Cham, Switzerland, 2016. URL: https://www.springer.com/gp/book/9783642031205 (Last accessed: 30.08.2023).
Yang X., Guo Y., Liu Y., Steck H., A survey of collaborative filtering based social recommender systems. Comput. Commun. 2014, 41, pp. 1–10. URL: https://www.sciencedirect.com/science/article/abs/pii/S0140366413001722 (Last accessed: 30.08.2023).
Ding Z., Li X., Jiang C, Zhou M., Objectives and state-of-the-art of location-based social network recommender systems. ACM Comput. Surv. CSUR 2018, 51, pp. 1–28. URL: https://dl.acm.org/doi/abs/10.1145/3154526 (Last accessed: 05.09.2023).
Z. Fayyaz, M. Ebrahimian, D. Nawara, A. Ibrahim, R. Kashef, Recommendation Systems: Algorithms, Challengers, Metrics, and Business. Appl. Sci., 2020. URL: https://www.mdpi.com/2076-3417/10/21/7748#B10-applsci-10-07748 (Last accessed: 05.09.2023).
B.M. Sarwar, G. Karypis, J.A. Konstan, J. Riedl, Item-based collaborative filtering recommendation algorithms. In WWW ’01, Proceedings of the 10th International Conference on World Wide Web, Hong Kong, China, 1–5 May 2001; Association for Computing Machinery: New York, NY, USA, 2001; Volume 1, pp. 285–295. URL: https://dl.acm.org/doi/abs/10.1145/371920.372071 (Last accessed: 05.09.2023).
J.B. Schafer, D. Frankowski, J. Herlocker, S. Sen, Collaborative filtering recommender systems. In The Adaptive Web; Springer: Berlin/Heidelberg, Germany, 2007; pp. 291–324. URL: https://link.springer.com/chapter/10.1007/978-3-540-72079-9_9 (Last accessed: 07.09.2023).
Al-Shamri, M.Y.H., User profiling approaches for demographic recommender systems. Knowl. Based Syst. 2016, 100, pp. 175–187. URL: https://www.sciencedirect.com/science/article/abs/pii/S0950705116001192 (Last accessed: 10.09.2023).
Deng F., Utility-based recommender systems using implicit utility and genetic algorithm. In Proceedings of the 2015 International Conference on Mechatronics, Electronic, Industrial and Control Engineering (MEIC-15), Shenyang, China, 1–3 April 2015; Atlantis Press: Amsterdam, The Netherlands, 2015. URL: https://www.atlantis-press.com/proceedings/meic-15/19830 (Last accessed: 11.09.2023).
R. Burke, Knowledge-based recommender systems. In Encyclopedia of Library and Information Systems; CRC Press: Boca Raton, FL, USA, 2000; Volume 69, (Suppl. 32), pp. 175–186. URL: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=dc133144d431fc3b75c8de27f6bb21da6eb5bc1b (Last accessed: 11.09.2023).
A.A. Kardan, M. Ebrahimi, A novel approach to hybrid recommendation systems based on association rules mining for content recommendation in asynchronous discussion groups. Inf. Sci. 2013, 219, pp. 93–110. URL: https://www.sciencedirect.com/science/article /abs/pii/S0020025512004756 (Last accessed: 18.09.2023).
