Построение гибридной рекомендательной системы с улучшением точности

Рекомендательные системы используются для прогнозирования рекомендаций для пользователей. Проводится обучение и тестирование алгоритмов для организации рекомендательных систем на некоторой базе данных. Исследованы преимущества и недостатки каждой из систем. На основе полученной информации построена система, которая приводит к лучшему решению.

Ключевые слова

Источник финансирования

Работа выполнена при финансовой поддержке РФФИ (грант №18-31-00458).

Получено

09.01.2019

Дата публикации

09.01.2019

Цитировать Скачать pdf Для скачивания PDF необходимо авторизоваться

ГОСТ	Игнатьев В. Ю. , Лемтюжникова Д. В. , Руль Д. И. , Рябов И. Л. Построение гибридной рекомендательной системы с улучшением точности // Известия Российской академии наук. Теория и системы управления – 2018. – Номер 6 C. 101-107 [Электронный ресурс]. URL: http://ras.jes.su/tisu/s000233880003496-4-1 (дата обращения: 29.04.2024). DOI: 10.31857/S000233880003496-4
MLA	Ignatyev, V., Lemtyuzhnikova, D., Rul, D., Ryabov, I. "Build a hybrid recommender system with improved accuracy." Izvestiia Rossiiskoi akademii nauk. Teoriia i sistemy upravleniia 6 (2018):101-107. DOI: 10.31857/S000233880003496-4
APA	Ignatyev V., Lemtyuzhnikova D., Rul D., Ryabov I. (2018). Build a hybrid recommender system with improved accuracy. Izvestiia Rossiiskoi akademii nauk. Teoriia i sistemy upravleniia (6), pp.101-107 DOI: 10.31857/S000233880003496-4

Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1349

Оценка читателей: голосов 0

1. Меньшикова Н. В., Портнов И. В., Николаев И. Е. Обзор рекомендательных систем и возможностей учета контекста при формировании индивидуальных рекомендаций // Academy. 2016. №. 6. С. 20–22.

2. Burke R. Hybrid Web Recommender. Systems School of Computer Science, Telecommunications and Information Systems // The Adaptive Web. 2007. С. 377–408.

3. Филиппов С.А, Захаров В.Н. Метод определения подобия информационных единиц по неявным пользовательским предпочтениям в рекомендательных системах поддержки жизнеобеспечения // XVIII Междунар. конф. DAMDID/RCDL’2016. М.: ФИЦ ИУ РАН, 2016. C. 169–174.

4. Ю. С. Нефедова Архитектура гибридной рекомендательной системы GEFEST (Generation– Expansion–Filtering–Sorting–Truncation) // Системы и средства информатики. 2012. Т. 22. №. 2. С. 176–196.

5. Волкова Л.Л., Токарева М.М, Ланко А.А. О разработке рекомендательной системы, предлагающей книги по предпочтениям пользователя // Новые информационные технологии в автоматизированных системах. 2017. С. 239–244.

6. Никитина К.С. Обзор алгоритмов для сервиса рекомендации книг // Информационные технологии в науке, управлении, социальной сфере и медицине: сборник научных трудов III Междунар. научной конф. Томск, 2016. Ч. 1. С. 728–730.

7. Ролгин Р.И. Метрики оценки качества работы систем коллаборативной фильтрации // Научный обозреватель. 2016. №. 6. С. 65–67.

8. Koren Y. Factor in the Neighbors: Scalable and Accurate Collaborative Filtering. // ACM Transactions on Knowledge Discovery from Data. 2010. Т. 4. №. 1.

9. Королева Д.Е., Филиппов М.В. Анализ алгоритмов обучения коллаборативных рекомендательных систем // Инженерный журнал: наука и инновации. 2013. №. 6.

10. Lemire D., Maclachlan A. Slope one Predictors for Online Rating-based Collaborative Filtering, 2007.

11. George T.,Merugu S. A Scalable Collaborative Filtering Framework Based on Co-clustering // IEEE Intern. Conf. on Data Mining. Houston, TX, USA, 2005. №5. С. 625–628.

12. Ricci F., Rokach L., Shapira B., Kantor P. B. Recommender Systems Handbook. N.Y.: Springer-Verlag, 2010.

13. Федоренко В.И., Киреев В.С. Анализ подходов к построению гибридных рекомендательных систем в задаче рекомендации фильмов // Международный научно-технический журнал: теория, практика, инновации.2017. №. 6. С. 44–51.