Построение гибридной рекомендательной системы

В статье рассматривается решение задачи об информировании пользователя об услуге, наиболее интересной для него в данный момент времени. Для этого проведен анализ современных подходов построения рекомендательных систем, выявлены их преимущества и недостатки. Основные из них — это проблема холодного старта, плохие предсказания для нетипичных пользователей, ресурсоемкость вычислений, тривиальные предсказания. Далее рассмотрены метрики оценки качества таких систем. Разработано несколько рекомендательным систем со следующими подходами: система, использующая коллаборативную фильтрацию по пользователям, система, использующая коллаборативную фильтрацию по предметам, система категориальных интересов, Slope one подход. Для поиска похожих пользователей или предметов в системе, использующей коллаборативную фильтрацию, использовался метод k-ближайших соседей. На основе полученных данных предложено построение гибридной рекомендательной системы, которая компенсирует недостатки каждого из рассмотренных подходов. Персонализированный подход основан на байесовском рейтинге. Не персонализированный подход основан на алгоритмах Slope One и коллаборативной фильтрации по предметам. В случае, когда пользователь не оценивал какие-либо услуги, рекомендации строятся с помощью подхода коллаборативной фильтрации по пользователю, на основе его просмотров и покупок. Проводится обучение и тестирование алгоритмов для организации построенных рекомендательных систем. Таким образом, реализована рекомендательная система для услуг, способная формировать рекомендации как для зарегистрированных, так и для незарегистрированных пользователей. Анализ эффективности рекомендательных систем был проведен с помощью датасета Amazon review data. На основе полученной информации разработанная гибридная рекомендательная система приводит к лучшему решению.