1
УДК 004.58
Анализ алгоритмов обучения
коллаборативных рекомендательных систем
© Д.Е. Королева, М.В. Филиппов
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.
Даны рекомендации по их использованию в конкретных случаях.
Ключевые слова:
рекомендательные системы, коллаборативная фильтрация,
предикат, условная вероятность, кластеризация, коэффициент корреляции.
Введение.
Рекомендательные системы — программные средства,
которые пытаются предсказать какие объекты (фильмы, музыка, кни-
ги, новости, веб-сайты и т. д.) будут интересны пользователю, если
имеется определенная информация о его предпочтениях.
Существуют две основные стратегии создания рекомендательных
систем: фильтрация содержимого и коллаборативная фильтрация [1,2].
При фильтрации содержимого создаются профили пользователей
и объектов. Профили пользователей могут включать демографиче-
скую информацию или ответы на определенный набор вопросов.
Профили объектов могут включать названия жанров, имена актеров,
исполнителей и т. п. в зависимости от типа объекта.
При коллаборативной фильтрации [3] используется информация
о поведении пользователей в прошлом, например о покупках или
оценках. В этом случае не имеет значения с какими типами объектов
ведется работа, но могут учитываться неявные характеристики, кото-
рые сложно было бы учесть при создании профиля. Основная про-
блема этого типа рекомендательных систем — так называемый «хо-
лодный старт», а именно, отсутствие данных о недавно появившихся
в системе пользователях или объектах.
Рассмотрим некоторые широко известные рекомендательные си-
стемы:
•
Amazon
— один из лидеров подобных систем.
Amazon
реко-
мендует книги и другие товары, основываясь на том, что вы поку-
пали, что просматривали, какие рейтинги ставили и какие оставля-
ли отзывы;
•
Last.fm
и
Pandora
рекомендуют музыку. Они придерживаются
разных стратегий рекомендации:
Last.fm
использует, кроме собствен-
но рейтингов других пользователей, исключительно «внешние» дан-
