Введение 4
Постановка задачи 6
Обзор литературы 7
Глава 1. Обзор предметной области 9
§1 Развитие рекомендательных систем 10
§2 Обзор существующих решений 12
§3 Классификация рекомендательных систем 14
3.1 Рекомендательные системы на основе коллаборативной фильтрации 14
3.2 Рекомендательные системы, основанные на контенте 16
3.3 Рекомендательные системы, основанные на знаниях 17
3.4 Гибридные рекомендательные системы 18
§4 Сравнение базовых подходов 20
Глава 2. Проектирование рекомендательной системы 24
§1 Обзор алгоритмов 24
1.1 User-based 24
1.2 Item-based 26
1.3 Similarity Fusion 27
1.4 Regression-Based 28
1.5 Slope One 28
1.6 ALS (Alternating Least Squares) 29
§2 Метрики точности 29
2.1 Точность предсказаний 29
2.2 Точность классификации 30
2.3 Точность ранжирования 31
Глава 3. Реализация рекомендательной системы 32
§1 Реализация системы 32
§2 Оценка качества 36
§3 Выводы 38
Заключение 40
Список литературы 41
Последние десятилетия характеризуются бурным развитием сети Интернет: ежедневно в глобальной паутине генерируются и накапливаются колоссальные объемы информации. Пользователю приходится работать с этими данными: обрабатывать, систематизировать, находить релевантные для его информационных потребностей данные. Человеку сложно отобрать интересующую его информацию путем обычного просмотра, так как часто релевантная информация теряется среди больших объемов данных. В связи с этим, создаются инструменты, которые могут помочь человеку в поиске, предлагая тот контент, который предпочтителен для пользователя. Такие программные средства получили название рекомендательные системы.
Рекомендательные системы (англ. recommender systems) - программы и сервисы, которые анализируют интересы пользователей и пытаются предсказать, что именно будет наиболее интересно для конкретного пользователя в данный момент времени. Такие системы показывают предпочтительность контента для конкретного юзера на основе данных, указанных пользователем явно или на основе его взаимодействия с системой. Рекомендательные системы должны обладать следующими свойствами: система должна адаптироваться под конкретного пользователя, так как предпочтения могут значительно отличаться у разных людей; система должна учитывать текущие предпочтения пользователя, подстраиваясь под него со временем; система должна постоянно находить новые области информации и предлагать их пользователю. Все это делает ресурсы, основанные на рекомендательных механизмах, привлекательными для пользователя. С другой стороны, подобные системы интересны и владельцам самих ресурсов, на которых размещаются рекомендательные системы, так как с помощью подобных инструментов повышается привлекательность самого ресурса и его контента.
Рекомендательные системы нашли свое применение во многих сферах жизнедеятельности человека: поиске фильмов и научных статей, розничной торговле, социальных сетях, электронной коммерция, онлайн-банкинге и т.д. Подобная задача применима и к сфере музыкальных рекомендаций. В наше время существует большое количество музыкальных сервисов, на которых размещается еще более внушительное число самих музыкальных композиций. Все это делает задачу ручного поиска и прослушивания музыкальных композиций долгой и ресурсоемкой. Поэтому данная задача приобретает все большую актуальность: зачастую пользователь музыкальных сервисов хочет, чтобы система сама предлагала привлекательные для пользователя композиции.
Работа имеет структуру, состоящую из вводного раздела, трех основных глав и заключительной части. В первой главе приведен предметный обзор области рекомендательных систем. Во второй главе освещена практическая часть работы, проведены исследования алгоритмов. Третья глава посвящена реализации рекомендательной системы, показаны результаты работы и оценки ее точности.
В ходе данной работы были рассмотрены основные виды рекомендательных систем и принципы их построения. Был приведен подробный обзор алгоритмов коллаборативной фильтрации, показаны способы оценки качества подобных подходов.
В качестве базового подхода к решению задачи был выбран метод, основанный на коллаборативной фильтрации и реализованы алгоритмы, основанные как на близости пользователей и объектов, так и на факторизации исходных данных. Лучший результат показал алгоритм ALS, этот факт можно объяснить большой разреженностью исходных данных.
Работа может быть продолжена путем улучшения базовых алгоритмов, экспериментов с построением других гибридных моделей, использования дополнительных метаданных для создания систем, основанных на знаниях и систем на основе контента.
