Обзор существующих алгоритмов подбора рекомендаций

Данные, необходимые для построения рекомендательной системы, можно условно разделить на две категории:

· данные о пользователе (такие как время, проведенное на странице, комментарии пользователя и т.д.);

· данные об объектах системы (связи между объектами, содержание объектов).

Рекомендации основанные на данных о пользователе называются персонализированными, соответственно, основанные только на данных об объектах системы – неперсонализированными. Персонализированные рекомендации также могут использовать данные об объектах системы.

Чаще всего объектами исследований становятся рекомендательные системы для первой категории данных. Примерами алгоритмов могут служить коллаборативная (совместная) фильтрация, фильтрация на основе содержания и контекстно-зависимые методы.[1]

Совместная фильтрация - это метод, который с помощью известных предпочтений группы пользователей прогнозирует предпочтения другого пользователя. Исследуется список, содержащий рейтинги (оценки) пользователей для некоторых объектов ИС. Это самый популярный и исследуемый в литературе метод предоставления рекомендаций.

Фильтрация на основе содержания - метод, который предлагает объекты, похожие на те, что понравились пользователю в прошлом. Например, если пользователь имеет высокую оценку какого-то фильма, который принадлежит жанру «комедия», тогда система может рекомендовать другие фильмы от этого жанра.

Контекстно-зависимые методы, как можно понять, исходя из названия, основаны на контекстной информации. Что такое контекст? Исходя из общего понятия контекста, попытаемся сосредоточиться на тех областях, которые являются непосредственно связанными с системами рекомендаций, такими как интеллектуальный анализ данных (data mining), персонализация электронной коммерции, базы данных, информационный поиск, повсеместные и мобильные системы с учетом контекста, маркетинг и управление. Рассмотрим некоторые из них.

Интеллектуальный анализ данных. Контекст здесь определяется как те события, которые характеризуют жизненные стадии пользователя и это может определить изменение в его/ее предпочтениях, статусе и значении для компании [6]. Примеры контекста включает новую работу, рождение ребенка, брака, развода и пенсии. Знание этой контекстной информации помогает шаблонам анализа данных выбирать только релевантные результаты, т.е., те результаты сбора данных, которые применимы к особому контексту, например, связанные с пенсией человека.

Персонализация электронной коммерции. В [7] используется значение контекста как намерение покупки пользователем системы. Разные намерения покупателя могут привести к различным типам поведения, поскольку покупки могут совершаться по разным причинам (и не всегда пользователь совершает их для себя) и исходя из различных видов деятельности.

Исходя из различных намерений покупателя, в [7] строится отдельный профиль клиента для каждого контекста, и эти отдельные профили используются для строительства отдельного предсказания моделей поведение клиента в определенных контекстах и для определенных сегментов клиентов [1]. Такая контекстная сегментация клиентов полезна, поскольку приводит к улучшению прогнозирующих моделей через различные приложения электронной коммерции [7].

Повсеместные и мобильные системы с учетом контекста. Контекст в данном случае был определен как местоположение пользователя, люди и объекты около пользователя, а также изменения во всех этих элементах [8].

Базы данных. Контекстные возможности были добавлены к некоторым СУБД, например, пользовательские настройки. Различные ответы к запросам БД возвращаются в зависимости от контекста, в котором были посланы запросы и особых пользовательских настроек, соответствующих определенным контекстам. [1]

Как видно из описанных выше методов, персонализированные рекомендации позволяют пользователю узнать об объектах, которые могут ему понравиться с учетом сферы его интересов, предпочтений и контекста. Если система не предполагает авторизации, или пользователь ищет не новый объект, а, к примеру, объект A схожий в каком-то смысле с объектом B. Такие рекомендации строятся неперсонализированными рекомендательными системами.

Рекомендовать похожие объекты можно, ориентируясь на данные об объектах или данные о действиях, связанных с объектами, совершаемые группой пользователей. Например, чтобы определить схожесть объектов a и b, которые были просмотрены множеством пользователей A и B соответственно, можно использовать коэффициент Жаккара[11]. Коэффициент вычисляет схожесть двух объектов a и b как:

.

Полученное значение является симметричным. Чтобы сделать его несимметричным, можно поменять знаменатель:

.

Данный метод увеличивает значение схожести объектов, которые были просмотрены вместе, и нормализует величину похожести относительно количества пользователей, которые просмотрели объект. Однако у этого метода есть недостаток: если в системе какой-то популярный объект a, то вычисленное значение схожести для любого объекта b будет всегда стремиться к единице.

Дата добавления: 2015-10-16