Штучний інтелект

Анотація: У статті аналізуються підходи до інтеграції нечіткої логіки в user-based методиці колаборативної фільтрації для вирішення проблем розрідженості даних та невизначеності у вподобаннях користувачів. Наголошується, що колаборативна фільтрація є популярним інструментом реалізації рекомендаційних систем, який суттєво залежить від точності подання числових даних та повноти надання інформації при створенні рекомендацій. Застосування нечіткої логіки дозволяє проводити моделювання в умовах неоднозначності та невизначеності завдяки використанню лінгвістичних змінних і функцій належності нечітких величин. Розглянуто приклади систем, які вдало інтегрують цей підхід на основі поєднання нечіткої логіки з методами колаборативної фільтрації, використання нечітких асоціативних правил і багаторівневої схожості, що дозволяє ефективно долати проблеми розріджених та неповних даних. Запропоновано математичний апарат для побудови жанрових профілів користувачів і фільмів, який забезпечує персоналізацію рекомендацій. Гаусоподібні функції належності та застосування кластерного аналізу дозволяють врахувати багатожанровість контенту й нечіткість уподобань користувачів. Запропоновані алгоритми знижують вплив індивідуальних упереджень і забезпечують точність рекомендацій навіть за умови фрагментарних даних. Результати досліджень демонструють перспективність гібридних підходів у створенні рекомендаційних систем для різних доменів: інтернет-магазинів, стримінгових платформ і проєктного менеджменту. Подальше тестування запропонованих методик відкриває можливості для їх масштабного застосування.

Ключові слова: нечітка логіка, метод Мамдані, колаборативна фільтрація, розрідженість даних, визначення подібності, нечіткі числа

Посилання:

1. Івохін Є., Шелякін Г., Махно М. (2024). Удосконалення методу колаборативної фільтрації шляхом інтегрування семантичного та часового факторів і методу кластерного аналізу. Artificial Intelligence. №1. С. 57 – 63. [Online]. Available: https://doi.org/10.15407/jai2024.01.057
2. Івохін, Є., Шелякін, Г. (2024). Collaborative Filtering as One of the Methods of Content Recommendations: main Problems and Ways to Solve. Modern Engineering and Innovative Technologies. 1(34-01). С. 94–105. [Online]. Available: https://doi.org/ 10.30890/2567-5273.2024-34-00-013
3. Кучерук В.Ю., Глушко М.В. (2018). Покращення алгоритму «Item to Item» методу колаборативної фільтрації для розробки рекомендаційних систем на основі косинусної міри шляхом оцінки релевантності. Scientific Journal «ScienceRise» №1(42). С. 20–24. [Online]. Available: https://doi.org/10.15587/2313-8416.2018.120886
4. Кулягін А.І., Нарожний В.В., Ткачов В.М., Кучук Г.А. (2022). Дослідження методів побудови рекомендаційних систем для розв’язання задачі вибору найбільш релевантного відео при створенні віртуальних арт-композицій. Системи управління, навігації та зв'язку. № 4. С. 94–99. [Online]. Available: https://doi.org/10.26906/SUNZ.2022.4.094
5. Мелешко Є.В. (2018). Проблеми сучасних рекомендаційних систем та методи їх рішення. Системи управління, навігації та зв’язку. № 4 (50). С. 120 –124. [Online]. Available: https://doi.org/10.26906/SUNZ.2018.4.120
6. Пасічник В.В., Юнчик В.Л., Кунанець Н.Е., Федонюк А.А. (2022). Використання нечіткої логіки у процесі експертного оцінювання електронних навчальних ресурсів. Науковий вісник НЛТУ. Т.32. № 4. С. 66 – 76. [Online]. Available: https://doi.org/10.36930/40320411
7. Худік Б.О. (2023). Модель представлення даних рекомендаційної системи в сфері освіти на основі нечіткої логіки. Кібербезпека: освіта, наука, техніка. № 1 (21). С. 260 –272. [Online]. Available: https://doi.org/10.28925/2663-4023.2032.21.260272
8. Лещинський В.А., Лещинська І.А. (2020). Удосконалення методу колаборативної фільтрації з неявним зворотнім зв’язком на основі ранжування негативних результатів в матриці вхідних даних. Системи управління, навігації та зв'язку. 3 (61). С. 99–103. [Online]. Available: https://doi.org/10.26906/SUNZ.2018.3.073
9. Чередніченко О.Ю., Іващенко О.В., Гонтар Ю.М., Ворона Б.М. (2018). Інтелектуальний аналіз пропозицій товарів на основі контекстних рекомендацій. Вісник Національного технічного університету (ХПІ). № 44. С. 57–66. [Online]. Available: https://doi.org/10.20998/2079-0023.2018.44.10
10. Zadeh, L. A. (1965). Fuzzy sets. Information and Control. P. 338–353. [Online]. Available: https://doi.org/10.1016/S0019-9958(65)90241-X
11. Faiz Akram, Tanvir Ahmad, Mohd. Sadiq. (2024). An integrated fuzzy adjusted cosine similarity and TOPSIS based recommendation system for information system requirements selection. Decision Analytics Journal. Vol. 11. Р. 1–13. [Online]. Available:https://doi.org/10.1016/j.dajour.2024.100443
12. Fu-Lai Chung, Stephen Chi-fai Chan. (2006). A collaborative filtering framework based on fussy association rules and multiple-level similarity. Knowledge and Information Systems. Vol. 10. P. 357–381. [Online]. Available: http://dx.doi.org/10.1007/s10115-006-0002-1
13. Rakesh Agrawal, Ramakrishnan Srikant (1994). Fast Algorithms for Mining Association Rules. P. 487–499. [Online]. Available: https://www.vldb.org/conf/1994/P487.PDF
14. Soojung Lee (2020). Using Fuzzy Rating Infor-mation for Collaborative Filtering-based Recommender Systems. International Journal of Advanced Smart Convergence. Vol.9. No.3. P. 42–48. [Online]. Available: https://doi.org/10.7236/IJASC.2020.9.3.42
15. Mamdani E. (1974). Application of Fuzzy Algo-rithms for Control of Simple Dynamic Plant. Proceedings of the IEEE. Vol. 121 (12). P. 1585-1588.
16. Timothy J. Ross (2004). Fuzzy Logic with engineering applications. Vol.2. [Online]. Available: https://home.iitk.ac.in/~avrs/ManyValuedLogic/FuzzyLogicforEngineers.pdf