Дослідження Методів Побудови Рекомендаційних Систем В Мережі Інтернет

Meleshko, Е. V.; Semenov, Serhii; Khokh, Vitaliy

doi:10.26906/sunz.2018.1.131

Cited by 8 publications

(8 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Analysis of the literature [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17] showed that there are currently many methods and models for improving the quality of recommendation systems. One of the main ways to achieve this is to use hybrid RSs.…”

Section: Quality Characteristics Of Recommendation Systemsmentioning

confidence: 99%

See 1 more Smart Citation

The Improved Model of User Similarity Coefficients Computation for Recommendation Systems

Meleshko

Drieiev

Al-Oraiqat³

2020

A.I.S.

View full text Add to dashboard Cite

An n ot a t i on. The subject matter of the article is a model of calculating the user similarity coefficients of the recommendation systems. The urgency of the development is determined by the need to improve the quality of recommendation systems by adapting the time characteristics to possible changes in the similarity coefficients of users. The goal is the development of the improved model of user similarity coefficients calculation for recommendation systems to optimize the time of forming recommendation lists. The tasks to be solved are: to investigate the probability of changing user preferences of a recommendation system by comparing their similarity coefficients in time, to investigate which distribution function describes the changes of similarity coefficients of users in time. The methods used are: graph theory, probability theory, radioactivity theory, algorithm theory. Conclusions. In the course of the researches, the model of user similarity coefficients calculating for the recommendation systems has been improved. The model differs from the known ones in that it takes into account the recalculation period of similarity coefficients for the individual user and average recalculation period of similarity coefficients for all users of the system or a specific group of users. The software has been developed, in which a series of experiments was conducted to test the effectiveness of the developed method. The conducted experiments showed that the developed method in general increases the quality of the recommendation system without significant fluctuations of Precision and Recall of the system. Precision and Recall can decrease slightly or increase, depending on the characteristics of the incoming data set. The use of the proposed solutions will increase the application period of the previously calculated similarity coefficients of users for the prediction of preferences without their recalculation and, accordingly, it will shorten the time of formation and issuance of recommendation lists up to 2 times.

show abstract

Section: Quality Characteristics Of Recommendation Systemsmentioning

confidence: 99%

“…In neighborhood-based models of recommendation systems [1][2][3][4][5], the creation of a user recommendation list can be divided into three separate processes:…”

Section: Quality Characteristics Of Recommendation Systemsmentioning

confidence: 99%

The Improved Model of User Similarity Coefficients Computation for Recommendation Systems

Meleshko

Drieiev

Al-Oraiqat³

2020

A.I.S.

View full text Add to dashboard Cite

show abstract

“…На відміну від моделей РС на основі сусідства, які використовують коефіцієнти подоби для створення списків рекомендацій, факторизаційні моделі виявляють та використовують приховані фактори (ПФ), що впливають на вподобання користувачів [1][2][3].…”

Section: вступunclassified

Дослідження Матричних Факторизаційних Моделей Рекомендаційних Систем

Meleshko¹,

Khokh²,

Bosko³

2019

CNCS

View full text Add to dashboard Cite

Об’єктом дослідження є процес створення списків рекомендацій відвідувачам веб-сайтів. Метою даної роботи є дослідження існуючих матричних факторизаційних моделей рекомендаційних систем. У рекомендаційних системах факторизація застосовується до матриці рейтингів з метою виявляння прихованих факторів, властивих об’єктам системи, що впливають на вподобання користувачів. Матричні факторизаційні моделі рекомендаційних систем досить популярні серед розробників та мають багато модифікацій. У даній роботі розглянуто наступні моделі: FunkSVD, SVD++, Asymmetric SVD та timeSVD. Факторизаційні моделі рекомендаційних систем використовуються у методах колаборативної фільтрації на рівні з моделями на основі сусідства. На відміну від моделей на основі сусідства, які використовують коефіцієнти подоби для створення списків рекомендацій, дані моделі використовують не подобу, а приховані фактори. Перевагами таких моделей є підвищена, порівняно з іншими моделями, робастність до атак ін’єкцією профілів та висока точність прогнозування вподобань користувачів. До недоліків досліджуваних моделей слід віднести погану масштабованість, довгий час навчання, а також необхідність повного перенавчання системи при появі нових даних, що частково вирішено лише у асиметричному SVD. Проведене дослідження показало, що існуючі моделі матричної факторизації дають можливість використовувати як явні зворотні зв’язки від користувачів (рейтинги об’єктів, виставлені користувачами), так і неявні зворотні зв’язки (перегляди об’єктів, написані коментарі, тощо), що дозволяє підвищувати точність роботи рекомендаційної системи на веб-ресурсах, де користувачі залишають багато неявного зворотного зв’язку. Такий принцип вперше був реалізований у SVD++. Факторизаційні моделі дозволяють також враховувати неперіодичні та періодичні зміни вподобань користувачів у часі, що, зокрема, реалізовано у timeSVD

show abstract

“…x -the value of the i-th attribute, respectively, in the 1st and 2nd objects; 1 Х , 2 Х -the set of values of attributes in the 1st and 2nd objects.…”

Section: ( ) D X X -The Distance Between Objectsmentioning

confidence: 99%

“…One of the basic algorithms for building recommendation systems is collaborative filtration [1,2]. It is based on the calculation of similarity coefficients between users to find a most similar users and objects.…”

Section: Introductionmentioning

confidence: 99%

Method of Collaborative Filtration Based on Associative Networks of Users Similarity

Meleshko

2018

A.I.S.

View full text Add to dashboard Cite

METHOD OF COLLABORATIVE FILTRATION BASED ON ASSOCIATIVE NETWORKS OF USERS SIMILARITY The subject matter of the article is the processes of generating a recommendations list for users of a website. The goal is to develop the new method of collaborative filtering based on building associative networks of users similarity to improve the quality of recommender systems. The tasks to be solved are: to develop the method of collaborative filtering based on building associative networks of user similarity, develop software to test this method, conduct experiments on the developed software to test the effectiveness of the developed method, determine the quality of its work and compare this method with the standard method of collaborative filtering. The methods used are: graph theory, mathematical statistics, the theory of algorithms, object-oriented programming. The following results were obtained: the method of collaborative filtering based on building associative networks of user similarity was developed, to implement this method the software was developed, experiments using the developed software to test the developed method were conducted. Conclusions. The possibility of using associative networks in recommender systems was researched. The associative rule for building associative networks of users similarity was proposed. The collaborative filtering method based on associative networks of users similarity, which can be used to improve the quality of recommender systems, was developed. Experiments conducted on the developed software have shown that the developed method significantly increases such performance indicators of the recommender system as user space coverage, item space coverage, user interaction coverage, and makes it possible to create better-quality lists of recommendations for website users. K e ywor d s : recommendation systems; collaborative filtering; associative networks; similarity coefficients.

show abstract

Дослідження Методів Побудови Рекомендаційних Систем В Мережі Інтернет

Cited by 8 publications

References 0 publications

The Improved Model of User Similarity Coefficients Computation for Recommendation Systems

The Improved Model of User Similarity Coefficients Computation for Recommendation Systems

Дослідження Матричних Факторизаційних Моделей Рекомендаційних Систем

Method of Collaborative Filtration Based on Associative Networks of Users Similarity

Contact Info

Product

Resources

About