Модель рекомендательной системы на основе лингвистического представления информации

Введение 3
Глава 1 5
1.1 Обзор основных классов рекомендательных систем 5
1.2 Архитектура рекомендательной системы 13
Глава 2 15
2.1 Основанные на знаниях рекомендательные системы и особенности их реализации 15
2.1.1 Знания об объектах и запросы пользователей 18
2.1.2 Метод использования жестких ограничений 20
2.1.3 Метод выбора близких объектов 21
2.2 Лингвистическая модель представления знаний 22
Глава 3 30
3.1 Модель лингвистической рекомендательной системы 30
3.2 Алгоритм формирования профиля 32
3.2.1. Формирование начального профиля 33
3.2.2. Модификация начального профиля 33
3.2.3 Унификация лингвистических шкал 34
3.3 Алгоритм формирования рекомендаций 37
3.3.1. Вычисление сходства между профилем пользователя и товарами из базы данных 37
3.3.2. Рекомендация 41
3.3.3 Пример 42
Глава 4 47
4.1 Описание программы 47
4.2 Иллюстративный пример 52
Заключение 54
Список использованных источников 55
Приложение 1 57

Весь текст будет доступен после покупки

Рекомендательные системы в основном представляют собой прило-жения, которые появились в области электронной торговли для оказания помощи пользователям в их поиске в электронных магазинах. Эти магази-ны обычно предлагают широкий ассортимент товаров, которые удовле-творяют потребности самых разных пользователей. Тем не менее, поиск в таком широком ассортименте товаров может оказаться очень сложной и трудоемкой задачей. Рекомендательные системы помогают пользователям находить подходящие товары с помощью рекомендаций, основанных на информации, предоставленной различными источниками, такими как: дру-гие пользователи, эксперты, характеристики товаров и т.д.
Онлайн просмотр фильмов так же актуален в наше время, с помо-щью рекомендательных систем мы можем выстроить рекомендации по жанрам, странам-производителям фильмов, актерам и т.п. Поиск актуаль-ной для нас музыки, в этом нам так же помогают рекомендательные систе-мы, которые отбирают музыку по нашим предпочтениям. Так же каждый день мы видим новости, которые отбираются по актуальности в данный момент времени.

Весь текст будет доступен после покупки

1.1 Обзор основных классов рекомендательных систем
Одной из основных проблем, с которыми сталкиваются пользователи при серфинге в интернете, является огромное количество информации, большая часть которой бесполезна. Например, большинство интернет-магазинов предлагают тысячи товаров, которые соответствуют поисково-му пространству, которое пользователь не может тщательно оценить, что-бы найти наиболее подходящие товары в соответствии со своими потреб-ностями. В таких случаях пользователи могут чувствовать разочарование, потому что они не находят то, что им действительно нужно, среди такого огромного количества альтернатив, несмотря на то, что тратят много вре-мени. Появились различные сервисы, помогающие им легко и быстро находить продукты, отвечающие их потребностям. В данной работе рас-сматриваются рекомендательные системы – класс информационных си-стем, который появился в последние годы в области электронной коммер-ции. Это системы обработки информации, которые активно собирают раз-личные виды данных для построения своих рекомендаций[1]. Их цель со-стоит в том, чтобы помочь пользователям в поиске наиболее подходящего товара в соответствии с их предпочтениями, потребностями или вкусами. Для этого системы предоставляют рекомендации и скрывают или удаляют бесполезную информацию. По сути, все рекомендательные системы вы-полняют одни и те же действия для выработки рекомендаций: сначала си-стемы собирают информацию о предпочтениях от пользователей, экспер-тов и т.д., связанную с их предпочтениями, вкусами и мнениями, чтобы, используя эту информацию, ранжировать товары и давать рекомендации о том, какие товары для них более привлекательны. В зависимости от ин-формации, собранной системой, и метода ранжирования элементов для предложения рекомендаций рекомендательные системы могут быть клас-сифицированы по различным типам. Существует четыре основных типа рекомендательных систем (рис.1) [12]:
• Фильтрация, основанная на контенте (content-based filtering).
• Коллаборативная фильтрация (collaborative filtering).
• Фильтрация, основанная на знаниях (knowledge-based filtering).
• Гибридные рекомендательные системы (hybrid filtering).
Рис.1 Типы рекомендательных систем
В базовых подходах для рекомендательных систем могут использо-ваться два вида данных[4]:
• информация о взаимодействии пользователей с объектами интереса;
• информация, предоставленная самими пользователями, например,
атрибуты, указанные в профиле или релевантные ключевые слова.
Рассмотрим подробнее каждый из типов рекомендательных систем.
Фильтрация на основе контента
Данный метод предложен в [4] и лежит в основе многих рекоменда-тельных систем. Он является неким алгоритмом, на который оказывает значительное влияние предметная область. Метод фильтрации на основе контента не нуждается в профиле других пользователей, однако, он уделя-ет большое внимание исследованию атрибутов объектов, чтобы добиться оптимального прогноза. То есть, товары или услуги предлагаются на ос-нове базы знаний о них. Например, если рассмотреть интернет-сервис о кино, то в качестве характеристик можно взять жанр, год выпуска или язык оригинала. Путем присвоения характеристик, сходных с характери-стиками элементов, индивидуально для каждого пользователя создается профиль, который учитывает его поведение в прошлом, либо узнает о его предпочтениях напрямую. После чего, пользователю предлагаются эле-менты, аналогичные тем, что он уже приобрел, либо отметил, как «пред-почтительные» [5]. На рис.1.1 представлена схема работы данного метода.

Весь текст будет доступен после покупки

1. Ricci F. Recommender systems handbook/F. Ricci, L. Rokach, B. Shapira,
P. Kantor // New York: Springer US, 2015. – 1008 p.
2. Леденева Т. М. Обработка нечеткой информации: учебное пособие /
Т.М. Леденева. – Воронеж: Воронежский государственный универси-тет, 2006. – 233 с.
3. Adomavicius G. Impact of data characteristics on recommender systems performance / G. Adomavicius, J. Zhang // ACM Management Infor-mation Systems. – 2012. – Vol. 3, № 1. – 23 p.
4. Bobadilla J. Recommender systems survey / J. Bobadilla, F. Ortega,
A. Hernando, A Gutierrez // Knowledge-Based Systems, 2013. – P.109-132.
5. Burke R. Hybrid recommender systems: survey and experiments. / R. Burke // User Model User-adapted Interact. – 2002. – Vol. 12, № 4. – 331 p.
6. Jannach D. Recommender Systems / D. Jannach, M. Zanker, A. Felfernig,
G. Friedrich // An Introduction. Cam-bridge University Press, 2010. - 360 p.
7. Martinez L. A knowledge based recommender system with multigranular linguistic information / Luis Martinez [and etc.] // International Journal of Computational Intelligence Systems. – 2008. – Vol.1, № 3. – P. 225-236.
8. Su X. A survey of collaborative filtering techniques / X. Su,
T. M. Khoshgoftaar // Artificial Intelligence, 2009. – 19 с.
9. Гомзин А. Системы рекомендаций: обзор современных подходов/
А. Гомзин, А. Коршунов // Препринт. Москва: Труды Института си-стемного программирования РАН, 2012. – 20 с.

Весь текст будет доступен после покупки