Шукати за:
Удосконалення методу колаборативної фільтрації шляхом інтегрування семантичного та часового факторів і методу кластерного аналізу
Повний текст (PDF)
УДК: 519.816
Мова публікації: Українська
Stuc. intelekt. 2024; 29; (1):57-63
Анотація: У статті розглядається алгоритм формування рекомендацій на основі колаборативної фільтрації з урахуванням впливу семантичного і часового факторів та його удосконалення за допомогою методів кластерного аналізу з метою зменшення навантаження на рекомендаційну систему та покращення якості рекомендацій шляхом відсіювання незмістовного контенту і збереження контексту під час генерації рекомендацій. Проаналізовано вплив семантичного та часового факторів на якість роботи системи рекомендацій (похибка при апроксимації оцінки) та застосування методу кластерного аналізу на швидкодію системи при великому наборі даних. Запропоновано методику прискорення обробки отриманих даних про користувачів, яка полягає у спробі врахувати факт зміни інтересів користувачів з часом і можливість розбити контент статистичних даних за сукупністю конкретних ознак. Сформульовано процедуру попередньої обробки даних (агрегація даних) для методу колаборативної фільтрації на основі порівнянь об’єктів з використанням методу кластеризації, що дозволило зменшити складність обчислень і, відповідно, час формування рекомендацій. Наведено алгоритм підрахунку оцінки об’єкта з урахуванням часового та семантичного факторів. Розроблено програмне забезпечення, перевірено адекватність роботи запропонованого методу, використовуючи набори даних з різних доменних областей. У результаті перевірки було виявлено, що модифікований алгоритм має кращі показники ефективності роботи у порівнянні з наївним методом.
Ключові слова: рекомендаційні системи, колаборативна фільтрація, кластерний аналіз, метод семантичної подібності, часовий фактор
Посилання:
- Berkovsky S., Cantador I., Tikk D. Collaborative recommendations: algorithms, practical challenges and applications. (2019). World scientific publishing. https://doi.org/10.1142/11131
- Hinneburg A., Keim D.A. A general approach to clustering in large databases with noise (2003). Knowledge and Information Systems, 2003. 5 (4). P. 384–415. https:// doi.org/10.1007/s10115-003-0086-9
- Sander J. Density-based clustering in Spatial Databases (1998). Data Mining and Knowledge Discovery. Vol.2. P. 169–194.
- Goldberg D., Nichols D., Oki B.M., Terry D. Using collaborative filtering to weave an information tapestry (1992). Commun ACM. Р.61–70. https://doi.org/10.1145/138859.138867
- Horasan F., Yurtttakal A., Gunduz S. A novel model based collaborative filtering recommender system via truncated ULV decomposition (2023). Journal of King Saund University – Computer and Informetion Sciences. V.35 (8). https://doi.org/10.1016/j.jksuci.2023.101724
- Marappan R. Recommender system for movielens datasets using an item-based collaborative filtering in Python (2022). International Journal of Mathematical, Engineering, Biological and Applied Computing, 1(1). – Р. 42–43. https:/10.31586/ijmebac.2022.340
- Natarajan S., Vairavasundaram S., Natarajan S., Gandomi A.H. Resolving data sparsity and cold start problem in collaborative filtering recommender system using linked open data (2020). Expert Syst Appl. https://doi.org/10.1016/j.eswa.2020.113248
- Shen J., Wei Y., Yang Y. Collaborative filtering recommendation algorithm based on two stages of similarity learning and its optimization. Computers Materials &Continua. 58(2). P. 659–674. https://doi.org/10.32604/cmc.2019.05858