Рекомендаційна система
Рекомендаційна система — підклас системи фільтрації інформації, яка будує рейтинговий перелік об'єктів (фільми, музика, книги, новини, вебсайти), яким користувач може надати перевагу. Для цього використовується інформація з профілю користувача.
Типи рекомендаційних систем[1][ред. | ред. код]
Існують дві основні стратегії створення рекомендаційних систем: фільтрація вмісту і колаборативна фільтрація.
При колаборативної фільтрації створюються профілі користувачів і об'єктів.
- Профілі користувачів можуть містити демографічну інформацію або відповіді на певний набір питань.
- Профілі об'єктів можуть містити назви жанрів, імена акторів, імена виконавців, тощо. Або якусь іншу інформацію в залежності від типу об'єкта.
Цей підхід застосований у проекті Music Genome Project[en]: музичний аналітик оцінює кожну композицію за сотнями різних музичних характеристик, які можна використати для виявлення музичних уподобань користувача.
При фільтрації вмісту використовується інформація про поведінку користувачів у минулому — наприклад, інформація про придбання або оцінки. В цьому разі не має значення, з якими типами об'єктів ведеться робота, але при цьому можна брати до уваги неявні характеристики, які складно було б врахувати при створенні профілю. Основна проблема цього типу рекомендаційних систем — «холодний старт»: відсутність даних про користувачів чи об'єкти, які нещодавно з'явились у системі.
Методика[ред. | ред. код]
У процесі роботи рекомендаційні системи збирають дані про користувачів, використовуючи поєднання явних і неявних методів.
Приклади явного збору даних[ред. | ред. код]
- користувач оцінює запропонований об'єкт за диференційованою шкалою;
- користувач ранжує групу об'єктів від найкращого до найгіршого;
- користувач вибирає кращий з двох запропонованих об'єктів;
- користувачу пропонують створити список його улюблених об'єктів.
Приклади неявного збору даних[ред. | ред. код]
- спостереження за тим, що користувач оглядає в інтернет-магазинах або базах даних іншого типу;
- ведення записів про поведінку користувача онлайн;
- відстеження вмісту комп'ютера користувача;
Застосування[ред. | ред. код]
Рекомендаційні системи порівнюють однотипні дані від різних людей і розраховують список рекомендацій для конкретного користувача. Деякі приклади їх комерційного та некомерційного використання наведені в статті про колаборативну фільтрацію. Для розрахунку рекомендацій використовується граф інтересів[2]. Рекомендаційні системи — зручна альтернатива пошуковим алгоритмам, оскільки дозволяють виявити об'єкти, які не можуть бути знайдені останніми. Цікаво, що рекомендаційні системи часто використовують пошукові машини для індексації незвичайних даних.
Приклади сайтів, що використовують рекомендаційні системи[ред. | ред. код]
- Імхонет (фільми, література, фото)
- Last.fm (музика)
- Grooveshark[en] (музика)
- Ozon.ru (книги, диски і тд.)
- Software Informer (програмне забезпечення)
- IMDb — фільми
- Surfingbird[ru] — російський сервіс пошукових рекомендацій
Примітки[ред. | ред. код]
- ↑ Koren, Y.; Bell, R.; Volinsky, С. (07 серпня 2009), Matrix Factorization Techniques for Recommender Systems. (PDF), Computer, IEEE, т. 42, № 8, с. 30—37, архів оригіналу (PDF) за 26 лютого 2015, процитовано 4 листопада 2014.
- ↑ Рекомендації на основі графу інтересів.
Див. також[ред. | ред. код]
Посилання[ред. | ред. код]
- Як працюють рекомендаційні системи, алгоритми Netflix и Amazon [Архівовано 4 листопада 2014 у Wayback Machine.]
- Рекоменд. літ-ра (рос.)
Література[ред. | ред. код]
- Melville P.,Mooney R., Nagarajan R. Content-Boosted Collaborative Filtering for Improved Recommendations : [англ.] // University of Texas, USA : Материалы конф. / AAAI-02, Austin, TX, USA, 2002. — 2002. — С. 187-192.
- Жернакова О. Системи рекомендацій і пошуку відеоконтенту [Архівовано 4 листопада 2014 у Wayback Machine.] // Телемультимедіа, 2012. (рос.)
- Nadim Hossain. Why the Interest Graph Is a Marketer’s Best Friend (англ.). Mashable. Архів оригіналу за 29 жовтня 2020. Процитовано 7.12.2013.