• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Рекомендательные системы


Участники:
Николенко С.И., Игнатов Д.И.

 

Рекомендательные системы анализируют интересы пользователей и пытаются предсказать, что именно будет наиболее интересно для конкретного пользователя в данный момент времени. Современные рекомендательные системы основываются на методах коллаборативной фильтрации (Bell, Koren, 2007a; 2007b; Koren, 2008; 2009; 2010; Koren, Bell, 2011; Agarwal, Chen, Elango, 2009) и являются результатом научного бума в области рекомендательных систем 2008-2010 гг., зародившегося на фоне конкурса компании Netflix по разработке новой системы рекомендации фильмов. Методы коллаборативной фильтрации показывают хорошие результаты при рекомендации простых объектов (книги, фильмы), которые не содержат большого количества метаданных, а рекомендации основаны главным образом на оценках многочисленных пользователей, однако хотелось также использовать огромное количество полезной дополнительной информации, например непосредственное содержание рекомендуемых объектов. В рамках проекта мы планировали в 2014 году:

  • разработать рекомендательные методы и алгоритмы для задачи рекомендации онлайн-радиостанций на основе данных сервиса FMHost;
  • изучить уже существующие разработки в области рекомендательных систем, проанализировать существующие публикации о рекомендательных системах, используя, в частности, автоматические методы интеллектуального анализа текстов, в том числе LDA в реализациях, разработанных в ЛИНИС;
  • разработать новые рекомендательные системы и алгоритмы с использованием дополнительной информации о продуктах и/или пользователях.


Результаты проекта:

* Разработаны три новых рекомендательных алгоритма для систем с тегами; проведены эксперименты, подтверждающие, что для датасетов малого размера разработанные алгоритмы показывают значительно лучшие результаты, чем стандартные алгоритмы коллаборативной фильтрации.
* Создан подробный обзор основных результатов и трендов в области рекомендательных систем на основе современных публикаций в этой области, с результатами автоматизированного анализа при помощи тематического моделирования.

Публикации

V.A. Leksin, S.I. Nikolenko. Semi-Supervised Tag Extraction in a Web Recommender System. Proc. 6th International Conference on Similarity Search and Applications SISAP 2013, LNCS vol. 8199, pp. 206-212, 2013.

D.I. Ignatov, S.I. Nikolenko, T. Abaev, J. Poelmans. Improving Quality Of Service For Radio Station Hosting: An Online Recommender System Based On Information Fusion. Working papers by NRU Higher School of Economics. Series MAN ``Management'', 2014, no. 31. SSRN: http://ssrn.com/abstract=2542543, http://dx.doi.org/10.2139/ssrn.2542543.


 

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!
Сервис предназначен только для отправки сообщений об орфографических и пунктуационных ошибках.