ДОСЛІДЖЕННЯ МАТРИЧНИХ ФАКТОРИЗАЦІЙНИХ МОДЕЛЕЙ РЕКОМЕНДАЦІЙНИХ СИСТЕМ
Ключові слова:
рекомендаційні системи, матрична факторизація, SVD, приховані фактори, градієнтний спуск, прогнозування
Анотація
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 timeSVDЗавантаження
Дані про завантаження поки що недоступні.
Посилання
1. “Recommender Systems Handbook” (2010) Editors Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor, 1st edition, New York, NY, USA: Springer-Verlag New York, Inc., 842 p., doi: https://doi.org/10.1007/978-0-387-85820-3
2. Jones, M. (2013) “Recommender systems, Part 1. Introduction to approaches and algorithms. Learn about the concepts that underlie web recommendation engines”, URL: https://www.ibm.com/developerworks/opensource/library/os-recommender1/index.html?s_tact=105agx99&s_cmp=cp
3. Meleshko, Е.V., Semenov, S.G., Khokh, V.D. (2018) “Research of methods of building advisory systems on the internet”, Academic Journal "Control, Navigation and Communication Systems", Issue 1(47), Poltava National Technical Yuri Kondratyuk University, Poltava, pp. 131–136, doi: https://doi.org/10.26906/SUNZ.2018.1.131 (in Ukrainian)
4. Krupnik, I. (1992) “Decomposition of a monic matrix polynomial into a product of linear factors”, Linear Algebra Appl, P. 239-242.
5. Funk, S. (2006) “Netflix Update: Try This at Home”, URL: https://sifter.org/~simon/journal/20061211.html
6. Cao, J., Hu, H., Luo, T., Wang, J., Huang, M., Wang, K., Wu, Zhonghai, Zhang, X. (2015). “Distributed Design and Implementation of SVD++ Algorithm for E-commerce Personalized Recommender System”, Communications in Computer and Information Science. 572. Springer Singapore. pp. 30-44. doi: https://doi.org/10.1007/978-981-10-0421-6_4
7. Jia, Ya. (2014) “Users' brands preference based on SVD++ in recommender systems”, IEEE Workshop on Advanced Research and Technology in Industry Applications. pp. 1175-1178. doi: https://doi.org/10.1109/wartia.2014.6976489
8. Koren, Y. (2008) “Factorization meets the neighborhood”, Proceeding of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining, doi: https://doi.org/10.1145/1401890.1401944
9. Töscher, A., Jahrer, M., Bell, R.M. (2009) “The BigChaos Solution to the Netflix Grand Prize”, Netflix prize documentation, URL: https://www.netflixprize.com/assets/ GrandPrize2009_BPC_BigChaos.pdf
10. Koren, Ye. (2009) “Collaborative filtering with temporal dynamics”, Proceeding KDD '09 Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, P. 447-456.
11. “Overfitting in machine learning: what it is and how to prevent it”, (2017) URL: https://elitedatascience.com/overfitting-in-machine-learning
12. Brownlee, J. (2016) “Overfitting and underfitting with machine learning algorithms”, URL: https://machinelearningmastery.com/overfitting-and-underfitting-with-machine-learning-algorithms
13. Neumaier, A. (1998) “Solving ill-conditioned and singular linear systems: A tutorial on regularization”, SIAM Review 40, P. 636–666.
2. Jones, M. (2013) “Recommender systems, Part 1. Introduction to approaches and algorithms. Learn about the concepts that underlie web recommendation engines”, URL: https://www.ibm.com/developerworks/opensource/library/os-recommender1/index.html?s_tact=105agx99&s_cmp=cp
3. Meleshko, Е.V., Semenov, S.G., Khokh, V.D. (2018) “Research of methods of building advisory systems on the internet”, Academic Journal "Control, Navigation and Communication Systems", Issue 1(47), Poltava National Technical Yuri Kondratyuk University, Poltava, pp. 131–136, doi: https://doi.org/10.26906/SUNZ.2018.1.131 (in Ukrainian)
4. Krupnik, I. (1992) “Decomposition of a monic matrix polynomial into a product of linear factors”, Linear Algebra Appl, P. 239-242.
5. Funk, S. (2006) “Netflix Update: Try This at Home”, URL: https://sifter.org/~simon/journal/20061211.html
6. Cao, J., Hu, H., Luo, T., Wang, J., Huang, M., Wang, K., Wu, Zhonghai, Zhang, X. (2015). “Distributed Design and Implementation of SVD++ Algorithm for E-commerce Personalized Recommender System”, Communications in Computer and Information Science. 572. Springer Singapore. pp. 30-44. doi: https://doi.org/10.1007/978-981-10-0421-6_4
7. Jia, Ya. (2014) “Users' brands preference based on SVD++ in recommender systems”, IEEE Workshop on Advanced Research and Technology in Industry Applications. pp. 1175-1178. doi: https://doi.org/10.1109/wartia.2014.6976489
8. Koren, Y. (2008) “Factorization meets the neighborhood”, Proceeding of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining, doi: https://doi.org/10.1145/1401890.1401944
9. Töscher, A., Jahrer, M., Bell, R.M. (2009) “The BigChaos Solution to the Netflix Grand Prize”, Netflix prize documentation, URL: https://www.netflixprize.com/assets/ GrandPrize2009_BPC_BigChaos.pdf
10. Koren, Ye. (2009) “Collaborative filtering with temporal dynamics”, Proceeding KDD '09 Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, P. 447-456.
11. “Overfitting in machine learning: what it is and how to prevent it”, (2017) URL: https://elitedatascience.com/overfitting-in-machine-learning
12. Brownlee, J. (2016) “Overfitting and underfitting with machine learning algorithms”, URL: https://machinelearningmastery.com/overfitting-and-underfitting-with-machine-learning-algorithms
13. Neumaier, A. (1998) “Solving ill-conditioned and singular linear systems: A tutorial on regularization”, SIAM Review 40, P. 636–666.
Опубліковано
2019-12-28
Як цитувати
Meleshko Ye. Дослідження матричних факторизаційних моделей рекомендаційних систем / Ye. Meleshko, V. Khokh, V. Bosko // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2019. – Т. 6 (58). – С. 58-62. – doi:https://doi.org/10.26906/SUNZ.2019.6.058.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
