| Русский Русский | English English |
   
Главная Текущий номер
24 | 02 | 2020
10.14489/vkit.2020.01.pp.048-056

DOI: 10.14489/vkit.2020.01.pp.048-056

Родзин С. И., Родзина О. Н.
ПОСТРОЕНИЕ ПРОГНОЗОВ В РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ НА ОСНОВЕ ПОПУЛЯЦИОННОГО АЛГОРИТМА
(pp. 48-56)

Аннотация. Рассмотрена гибридная модель рекомендательной системы, включающая характеристики коллаборативной и контентной фильтрации. Предложены популяционный алгоритм фильтрации и архитектура рекомендательной системы на его основе. Приведены результаты экспериментальных исследований на массиве бенчмарок, оценка эффективности фильтрации на основе гибридной модели и популяционного алгоритма по сравнению с традиционным способом коллаборативной фильтрации c использованием коэффициента корреляции Пирсона.

Ключевые слова:  рекомендательная система; коллаборативная и контентная фильтрация; популяционный алгоритм.

 

Rodzin S. I., Rodzina O. N.
RECOMMENDER SYSTEMS: PREDICTING WITH MACHINE LEARNING BASED ON POPULATION-BASED ALGORITHM
(pp. 48-56)

Abstract. The article considers the formulation of the forecasting problem as well as such problems of recommender systems as data sparsity, cold start, scalability, synonymy, fraud, diversity, white crows. Combining the results of collaborative and content filtering gives us two possibilities. On the one hand, to weigh the results according to the content data. On the other hand, to shift these weights towards collaborative filtering as soon as data about a particular user appears. In turn, this improves the accuracy of the recommendations. The authors propose a hybrid model of a recommender system. Such a system includes the characteristics of collaborative and content filtering both. Also, the population-based algorithm for filtering and the architecture of a recommendation system based on it are described in the article. The algorithm consists of the following steps: study the search space; synthesis of solutions, i.e. points of this space; request quality assessment decisions or “fitness”; using it to make “natural selection”. Here we see the learning process about which areas of the search space contain the best solutions. The population of user “characteristics” encoded in the population-based algorithm supports a variety of input data in a hybrid model. The authors propose a coding structure for decisions in a population-based algorithm using the example of a recommender movie viewing system. Drift analysis evaluates the polynomial complexity of the algorithm. The authors demonstrate the results of experimental studies on an array of benchmarks. We also present an assessment of filtration efficiency based on a hybrid model and a population-based algorithm in comparison with the traditional method of collaborative filtering using the Pearson correlation coefficient. We can see that the prediction accuracy of the population-based algorithm is higher than that of the Pearson algorithm.

Keywords: Recommender system; Collaborative and content filtering; Population-based algorithm.

Рус

С. И. Родзин, О. Н. Родзина (Южный федеральный университет, Таганрог, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

S. I. Rodzin, O. N. Rodzina (Southern Federal University, Taganrog, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Пономарев А. В. Обзор методов учета контекста в системах коллаборативной фильтрации // Труды СПИИ РАН. 2013. № 7. С. 169 – 188.
2. Shani G., Gunawardana A. Evaluating Recommendation Systems // Recommender Systems Handbook. Springer US. 2011. P. 257 – 297. doi: org/10.1007/978-0-387-85820-3_8.
3. Burke R. Hybrid Web Recommender System // The Adaptive Web. 2007. P. 377 – 408.
4. Lops P., Gemmis M., Semeraro G. Content-based Recommender Systems: State of the Art and Trends // Recommender Systems Handbook. 2011. P. 73 – 105. doi: org/10.1007/978-0-387-85820-3_3.
5. Rodzin S., Rodzina O. New Computational Models for Big Data and Optimization // Proc. of the 9th IEEE Int. Conf. Application of Information and Communication Technologies (AICT’15). 2015. P. 3 – 7.
6. Марков В. В., Кравченко Ю. А., Кузьмина М. А. Развитие методов семантической фильтрации на основе решения задачи кластеризации биоинспирированными алгоритмами // Известия ЮФУ. Технические науки. 2018. № 4. С. 175 – 185.
7. Интеллектуальный анализ данных на основе биоинспирированного подхода / О. А. Логинов и др. // Информатизация и связь. 2018. № 4. С. 67 – 70.
8. Родзин С. И., Курейчик В. В. Теоретические вопросы и современные проблемы развития когнитивных биоинспирированных алгоритмов оптимизации (обзор) // Кибернетика и программирование. 2017. № 3. С. 51 – 79.
9. Родзина О. Н., Родзина Л. С. Особенности поиска решений траекторными метаэвристиками // Труды Конгресса по интеллектуальным системам и информационным технологиям (IS&IT’18). Таганрог: Изд-во Ступина С. А., 2018. Т. 1. С. 48 – 60.
10. Harper F. M., Konstan J. A. The MovieLens Datasets: History and Context // ACM Trans. On Interactive Intelligent Systems (TiiS). 2016. V. 5, No. 4. P. 19.
11. Koren Y., Bell R., Volinsky C. Matrix Factorization Techniques for Recommender Systems // IEEE Computer. 2009. V. 42, No. 8. P. 42 – 49.
12. Hernando A., Bobadilla J., Ortega F. A Non-negative Matrix Factorization for Collaborative Filtering Recommender Systems based on a Bayesian Probabilistic Model // Knowledge-Based Systems. 2016. V. 97. P. 188 – 202.
13. Boucher-Ryan P., Bridge D. Collaborative Recommending using Formal Concept Analysis // Knowledge-Based System. 2006. No. 19(5). P. 309 – 315.

Eng

1. Ponomarev A. V. (2013). Overview of context accounting methods in collaborative filtering systems. Trudy SPII RAN, (7), pp. 169 – 188. [in Russian language]
2. Shani G., Gunawardana A. (2011). Evaluating Recommendation Systems. Recommender Systems Handbook, pp. 257 – 297. Springer US. DOI: org/10.1007/978-0-387-85820-3_8.
3. Burke R. (2007). Hybrid Web Recommender System. The Adaptive Web, pp. 377 – 408.
4. Lops P., Gemmis M., Semeraro G. (2011). Content-based Recommender Systems: State of the Art and Trends. Recommender Systems Handbook, pp. 73 – 105. DOI: org/10.1007/978-0-387-85820-3_3.
5. Rodzin S., Rodzina O. (2015). New Computational Models for Big Data and Optimization. Proceedings of the 9th IEEE International Conference Application of Information and Communication Technologies (AICT’15), pp. 3 – 7.
6. Markov V. V., Kravchenko Yu. A., Kuz'mina M. A. (2018). Development of semantic filtering methods based on the solution of the clustering problem with bio-inspired algorithms. Izvestiya YuFU. Tekhnicheskie nauki, (4), pp. 175 – 185. [in Russian language]
7. Loginov O. A., Lezhebokov A. A., Bova V. V., Shcheglov S. N. (2018). Data mining based on a bio-inspired approach. Informatizatsiya i svyaz', (4), pp. 67 – 70. [in Russian language]
8. Rodzin S. I., Kureychik V. V. (2017). Theoretical issues and current problems of the development of cognitive bio-inspired optimization algorithms (review). Kibernetika i programmirovanie, (3), pp. 51 – 79. [in Russian language]
9. Rodzina O. N., Rodzina L. S. (2018). Features of the search for solutions by trajectory metaheuristics, Vol. 1, pp. 48 – 60. Congress Proceedings on Intelligent Systems by Information Technology (IS & IT’18). Taganrog: Izdatel'stvo Stupina S. A. [in Russian language]
10. Harper F. M., Konstan J. A. (2016). The MovieLens Datasets: History and Context. ACM Transactions On Interactive Intelligent Systems (TiiS), Vol. 5, (4).
11. Koren Y., Bell R., Volinsky C. (2009). Matrix Factorization Techniques for Recommender Systems. IEEE Computer, Vol. 42, (8), pp. 42 – 49.
12. Hernando A., Bobadilla J., Ortega F. (2016). A Non-negative Matrix Factorization for Collaborative Filtering Recommender Systems based on a Bayesian Probabilistic Model. Knowledge-Based Systems, Vol. 97, pp. 188 – 202.
13. Boucher-Ryan P., Bridge D. (2006). Collaborative Recommending using Formal Concept Analysis. Knowledge-Based System, 19(5), pp. 309 – 315.

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2020.01.pp.048-056

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2020.01.pp.048-056

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Баннер
Баннер
Rambler's Top100 Яндекс цитирования