Анализ алгоритмов обучения коллаборативных рекомендательных систем
В статье рассмотрены алгоритмы коллаборативной фильтрации, используемые в рекомендательных системах. Проведен сравнительный анализ данных алгоритмов с точки зрения критериев точности полученных результатов и быстродействия. Даны рекомендации по их использованию в конкретных случаях.
Авторы
Тэги
Тематические рубрики
Предметные рубрики
В этом же номере:
Резюме по документу**
УДК 004.58
коллаборативных рекомендательных систем
Д.Е. Королева, М.В. Филиппов
Анализ алгоритмов обучения
МГТУ им. <...> Н.Э. Баумана, Москва, 105005, Россия
В статье рассмотрены алгоритмы коллаборативной фильтрации, используемые в
рекомендательных системах. <...> Проведен сравнительный анализ данных алгоритмов
с точки зрения критериев точности полученных результатов и быстродействия. <...> Существуют две основные стратегии создания рекомендательных
систем: фильтрация содержимого и коллаборативная фильтрация [1,2]. <...> При фильтрации содержимого создаются профили пользователей
и объектов. <...> При коллаборативной фильтрации [3] используется информация
о поведении пользователей в прошлом, например о покупках или
оценках. <...> Amazon рекомендует
книги и другие товары, основываясь на том, что вы покупали,
что просматривали, какие рейтинги ставили и какие оставляли
отзывы;
• Last.fm и Pandora рекомендуют музыку. <...> Они придерживаются
разных стратегий рекомендации: Last.fm использует, кроме собственно
рейтингов других пользователей, исключительно «внешние» дан1 <...> Pandora основывается
на «содержании» музыкальной композиции, используя очень интересную
идею — Music Genome Project, в котором профессиональные
музыканты анализируют композицию по нескольким сотням атрибутов
(в России Pandora сейчас недоступна);
• Google, Yahoo!, Яндекс — можно сказать, что они тоже рекомендуют
пользователям сайты, но на самом деле это другие системы:
поисковики пытаются предсказать, насколько данный документ отвечает
данному запросу, а рекомендатели — какой рейтинг данный
пользователь поставит данному продукту. <...> Большинство коллаборативных рекомендательных систем использует
алгоритм Байеса или алгоритм SVD (или SVD++). <...> Сравнение проводилось по критериям правильности рекомендации
и быстродействия. <...> Условная вероятность события x при условии события y обозначается
p(xy). <...> Таким образом,
совместную вероятность можно выразить двумя способами:
p x y p x y py py x p x== .
(, )
дующим выражением [4]:
pxy p <...>
** - вычисляется автоматически, возможны погрешности
Похожие документы: