ВДОСКОНАЛЕННЯ МЕТОДУ КОЛАБОРАТИВНОЇ ФІЛЬТРАЦІЇ З НЕЯВНИМ ЗВОРОТНІМ ЗВ’ЯЗКОМ НА ОСНОВІ РАНЖУВАННЯ НЕГАТИВНИХ РЕЗУЛЬТАТІВ В МАТРИЦІ ВХІДНИХ ДАНИХ
DOI:
https://doi.org/10.26906/SUNZ.2018.3.073Ключові слова:
колаборативна фільтрація, машинне навчання, ранжування, факторизація матриць, крива помилок, навчальна і тестова вибіркиАнотація
Предметом вивчення в статті є процеси виявлення вподобань користувачів в рекомендаційних системах. Метою є розробка вдосконаленого методу колаборативної фільтрації на основі ранжирування пропущених і негативних результатів в матриці вихідних даних. Завдання: Формалізувати властивості вихідних даних, включно з пропущеними даними для задачі колаборативної фільтрації; розробити підхід до ранжирування вихідних даних для колаборативної фільтрації з неявним зворотним зв'язком, включно з пропущеними і негативним результатами; удосконалити метод колаборативної фільтрації шляхом попереднього ранжування пропущених і негативних результатів у вихідних даних. Використовуваними методами є: колаборативна фільтрація, машинне навчання. Отримані наступні результати. Формалізовані властивості вихідних даних. Такі дані упорядковуються для кожного користувача як послідовність переваг цікавлять користувача об'єктів. На основі властивостей вихідних даних показано, що при колаборативній фільтрації з неявним зворотнім зв'язком необхідно упорядковувати не тільки дані про поведінку користувача, але і пропущені та неточні дані. Запропоновано підхід до впорядкування таких даних на основі їх попарного порівняння. Удосконалено метод колаборативної фільтрації на основі уточнення вагових коефіцієнтів для навчальної вибірки з урахуванням попереднього ранжирування вхідних даних. Висновки. Наукова новизна отриманих результатів полягає в наступному: удосконалено метод колаборативної фільтрації з неявним зворотнім зв'язком шляхом присвоєння додаткових ваг елементам в матриці вхідних даних на основі ранжирування пропущених і негативних результатів. Метод дозволяє підвищити точність рекомендацій за критерієм AUC з урахуванням неповноти вихідних даних.Завантаження
Посилання
Adomavicius G. and Tuzhilin A. (2005), “Towards the Next Generation of Recommender Systems” A Survey of the State-ofthe-Art and Possible Extensions, IEEE Transactions on Knowledge and Data Engineering, No. 17, pp. 634–749.
Ekstrand, M.D., Riedl J.T., and Konstan J.A. (2011), “Collaborative filtering recommender systems”, Foundations and Trends in Human-Computer Interaction No. 4(2) , pp. 81–173.
Herlocker J.L., Konstan J.A., Terveen L.G. and Riedl J.T. (2004), “Evaluating collaborative filtering recommender systems” ACM Transactions on Information Systems (TOIS) 22, 1, pp. 5–53.
Guo G., Zhang J. and Yorke-Smith N. (2015), “TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings” AAAI, pp. 123–129. Системи управління, навігації та зв'язку, 2018, випуск 3(49) ISSN 2073-7394 77
Bennet J. and Lanning S. (2007) “The Netflix Prize”, Proceedings of KDD cup and workshop, available at : http://www.netflixprize.com. (last accessed March 22, 2018).
Hu Y., Koren Y. and Volinsky C. (2008), “Collaborative filtering for implicit feedback datasets”, Data Mining, ICDM’08. Eighth IEEE International Conference on. IEEE, pp. 263–272.
Pan R., Zhou Y., Cao B., Liu N. N., Lukose R. M., Scholz M., and Yang Q. (2008), ‘One-class collaborative filtering”, IEEE International Conference on Data Mining, pp. 502-511.
Linden G., Smith B. and York J. (2003), “Amazon.com recommendations: Item-to-item collaborative filtering”, Internet Computing, IEEE 7, 1, pp. 76–80.
Yi Fang and Luo Si. (2011), “Matrix co-factorization for recommendation with rich side information and implicit feedback” Proceedings of the 2nd International Workshop on Information Heterogeneity and Fusion in Recommender Systems. ACM, pp. 65–69.
Yehuda Koren, Robert Bell, and Chris Volinsky. (2009), “Matrix factorization techniques for recommender systems”, Computer No.8, pp. 30–37.
