Сравнительный анализ алгоритмов для рекомендательных систем

ВВЕДЕНИЕ 3
Глава 1. Системы рекомендаций 5
1. 1 Определение рекомендательных систем 5
1.2 Примеры рекомендационных систем 7
1.3. Типы рекомендательных систем 9
1.3.1 Коллаборативная фильтрация 10
1.3.2 Основанные на контенте 13
1.3.3 Основанные на знании 14
1.3.4 Гибридные 16
1.4 Методы построения систем рекомендации 16
1.4.1 Метод фильтрации коллаборации 16
1.4.2 Сингулярная вакуумная декомпозиция (SVD) 20
1.4.3 К-Means 22
1.5 Основные критерии оценки эффективности рекомендационной
системы 23
1.6 Проблемы рекомендательных систем 27
Глава 2. Описание методик и особенностей их реализации 29
2.1 Описание использования данных 29
2.2 Практическое применение рекомендательных систем 30
2.2.1 Метод коллаборативной фильтрации 31
2.2.2 SVD 34
2.2.3 К-Means 34
2.3. Исследование влияния качества алгоритмов на популярность
сервиса 35
Глава 3. Результаты использования рекомендационных систем 44
3.1 Оценка качества созданных моделей 44
3.1.1 Метод коллаборативной фильтрации 45
3.1.2 SVD 46
3.1.3 К-Means 47
3.2 Описание результатов работы 48
3. 3 Рекомендации 51
ЗАКЛЮЧЕНИЕ 54
СПИСОК ЛИТЕРАТУРЫ (ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ) 56

Весь текст будет доступен после покупки

Объем генерации и хранения данных в Интернете увеличивается каждый день, что в большинстве случаев связано с достижением в области компьютерных технологий. Современные интеллектуальные методы анализа могут быть использованы для получения полезной информации из окружающих данных. Для тех, кто способен освоить эту технологию и её методы, получается большое конкурентное преимущество.
Ввиду того, что люди не могут держать в голове постоянно такие большие объемы информации, они могут и не справляются с поиском того, что им действительно нужно, поэтому многие web-сервисы начали предлагать пользователям советы по различным объектам, исходя из сведений, имеющихся в отношении пользователя и их интересов. Например, товары, которые похоже на ранее просмотренные, или которые дополняют уже приобретенными товары. Программа, пытающаяся предсказать, какие объекты будут интересны пользователю, называется рекомендациями. Рекомендационные системы анализируют многочисленные данные для того, чтобы получить потенциальные предпочтения пользователя.
Очень часто покупатели при выборе товара для приобретения ориентируются на отзывы из надежных ресурсов или на комментарии и рекомендации тех, кто им доверяет. В силу высокого роста потребительского спроса и разнообразия представленного ассортимента пользователи теряются в спектре вариантов, и продавцы возникают проблемы с персонализацией предлагаемых рекомендаций. Таким образом, компании начали собирать пользовательские данные, на основе которых можно анализировать взаимодействие клиентов с пространством продукции и создавать рекомендации.

Весь текст будет доступен после покупки

Глава 1. Системы рекомендаций
1. 1 Определение рекомендательных систем
Перед рассмотрением самих алгоритмов рекомендательных систем поговорим о теоретической части данного вопроса. Введём следующие понятия:
• Объект — это музыка, фильм, продукт, другой пользователь (в случае рекомендации в социальных сетях). То есть то, что потребляют пользователи системы рекомендаций. Это то, что им нужно рекомендо-вать.
• Пользователь — это человек, зарегистрированный в системе, он может покупать, слушать, смотреть, оценивать объекты и пользоваться сервисом рекомендации.
• Рекомендация — это объект или несколько объектов, которые си-стема рекомендации выдает пользователю. Основная задача системы ре-комендации — имея данные об объектах и пользователях, получить список объектов, наиболее интересных для конкретного пользователя.
Система рекомендации представляют собой программу, которая предоставляет рекомендации на базе данных пользователей и приобретае-мых им объектах. То есть такие программы способны моделировать воз-можные будущие выборы клиентов. Такие системы при обработке полу-ченной информации предполагают какой объект будет наиболее интересен пользователю. Система рекомендаций включает цикл действий, направленных на работу с данными: от получения исходных данных пользователя, объектов и предпочтений пользователя до предоставления потребителю рекомендации.

Весь текст будет доступен после покупки

1. Алексеев А. Ю., Тыртов М. Д. Сравнительный анализ алгоритмов рекомендательных систем на основе метода Expectation-Maximization // Информационные технологии в науке, образовании и технике. — 2013. — № 1. — С. 288-292.
2. Бахвалов В. А., Никитин С. Е. Сравнительный анализ алгоритмов рекомендательных систем на основе методов машинного обучения // Математическое моделирование и информационные технологии. — 2010. — Т. 16. — № 1. — С. 7-13.
3. Белов В. Г., Резунова М. В. Сравнительный анализ алгоритмов реко-мендательных систем на основе байесовской статистики // Сборник научных трудов Института математики и механики Уральского научного центра РАН. — 2011. — Т. 17. — С. 91-98.
4. Головков М. В., Кондратенко А. С. Сравнительный анализ алгоритмов рекомендательных систем на основе метода Surprise // Математические проблемы в науке и технике. — 2015. — № 2.
5. Горбунов А. Д., Колесников М. В. Сравнительный анализ алгоритмов рекомендательных систем на основе метода Random Forest // Вестник Российской академии наук. — 2015. — Т. 85. — № 5. — С. 396-402.
6. Гусева Е. А., Карпов А. С. Сравнительный анализ алгоритмов рекомендательных систем на основе метода Singular Spectrum Analysis // Сборник научных трудов Института кибернетики им. А. Н. Колмогорова Российской академии наук. — 2011. — Т. 3. — С. 38-45.
7. Журавлев А. А., Шиккин Б. В. Сравнительный анализ алгоритмов рекомендательных систем на основе предложения тематически связанных товаров // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. — 2013. — Т. 7. — № 2. — С. 50-56.
8. Киржаев А. Г., Кондрашкин Д. В. Сравнительный анализ алгоритмов рекомендательных систем на основе метода Singular Value Decomposi-tion // Проблемы информатики и управления. — 2012. — № 4. — С. 63-71.
9. Козлова Е.А. Рекомендательные системы в маркетинге: типы, принци-пы работы, реализация / Е.А. Козлова // Инновации в современном об-разовании: материалы Междунар. науч.-практ. конф. – Пермь, 2018.
10. Корбут А. И., Сорокин А. А. Сравнительный анализ алгоритмов реко-мендательных систем // Журнал Искусственный интеллект и принятие решений. — 2012. — Т. 3. — № 1. — С. 55-63.
11. Королева Д. Е., Филиппов М. В. Анализ алгоритмов обучения коллаборативных рекомендательных систем //Инженерный журнал: наука и инновации. — 2013. — №. 6. — С. 23-23.
12. Красикова Е.А. Использование рекомендательных систем в интернет-маркетинге: особенности, преимущества, примеры / Е.А. Красикова // Современные научные исследования и инновации. – 2019. – № 2 (16). – С. 48–55.
13. Краснопольский М. А. Сравнительный анализ алгоритмов рекоменда-тельных систем на основе нейросетевых методов // Информационные технологии и вычислительные системы. — 2012. — № 1. — С. 30-35.
14. Лебедев А. С., Тратман А. Р. Сравнительный анализ алгоритмов реко-мендательных систем на основе метода Borda Count // Сборник материалов конференции «Методы оптимизации и математического программирования». — 2012. — С. 105-110.

Весь текст будет доступен после покупки