Изучение совместной фильтрации с помощью метода K-ближайших соседей и факторизации неотрицательной матрицы
DOI:
https://doi.org/10.47813/2782-2818-2024-4-2-0201-0211Ключевые слова:
совместная фильтрация, KNN, NMF, система рекомендаций.Аннотация
Алгоритмы совместной фильтрации (CF) вызывают большой интерес в рекомендательных системах из-за их способности давать персонализированные рекомендации, используя данные о взаимодействии пользователя с элементами контента. В этой статье мы подробно исследуем два популярных метода CF — регрессию K-ближайших соседей (KNN) и неотрицательную матричную факторизацию (NMF) с целью комбинации их при совместной фильтрации. Наша цель — оценить их производительность на наборе данных MovieLens 1M и предоставить информацию об их преимуществах и недостатках. В работе дано подробное объяснение значения рекомендательных систем в современных условиях потребления контента. Изучается сложность совместной фильтрации и то, как она использует предыдущий выбор пользователей для выработки индивидуальных рекомендаций. Затем дается описание подходов на основе KNN-регрессии и NMF, рассматриваются их принципы функционирования и то, как они применяются к системам рекомендаций. Проводится разностороннее исследование регрессии KNN и NMF на наборе данных MovieLens 1M для того, чтобы обеспечить тщательную оценку. В работе описаны процессы обучения модели, показатели производительности и используемые этапы предварительной обработки данных. По результатам обработки данных измеряется и анализируется прогнозируемая точность используемых стратегий с помощью эмпирических исследований, раскрывая их эффективность при применении к различным предпочтениям пользователей и категориям контента.
Библиографические ссылки
Resnick P., Varian H. R. Recommender systems. Communications of the ACM. 1997; 40(3): 56–58. https://doi.org/10.1145/245108.245121 DOI: https://doi.org/10.1145/245108.245121
Su X., Khoshgoftaar T. M. A Survey of Collaborative Filtering Techniques. Advances in Artificial Intelligence. 2009; 1–19. https://doi.org/10.1155/2009/421425 DOI: https://doi.org/10.1155/2009/421425
Zhang S., Yao L., Sun A., Tay Y. Deep Learning Based Recommender System. ACM Computing Surveys. 2019; 52(1): 1–38. https://doi.org/10.1145/3285029 DOI: https://doi.org/10.1145/3285029
Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering. 2005; 17(6): 734–749. https://doi.org/10.1109/tkde.2005.99 DOI: https://doi.org/10.1109/TKDE.2005.99
Sarwar B., Karypis G., Konstan J., Riedl J. Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th International Conference on World Wide Web, 2001. https://doi.org/10.1145/371920.372071 DOI: https://doi.org/10.1145/371920.372071
Zhang Z., Peng T., Shen K. Overview of Collaborative Filtering Recommendation Algorithms. IOP Conference Series: Earth and Environmental Science 2020; 440(2): 022063. https://doi.org/10.1088/1755-1315/440/2/022063 DOI: https://doi.org/10.1088/1755-1315/440/2/022063
Zhou T., Kuscsik Z., Liu J. G., Medo M., Wakeling J. R., Zhang Y. C. Solving the apparent diversity-accuracy dilemma of recommender systems. Proceedings of the National Academy of Sciences, 2010; 107(10): 4511–4515. https://doi.org/10.1073/pnas.1000488107 DOI: https://doi.org/10.1073/pnas.1000488107
Herlocker J. L., Konstan J. A., Borchers A., Riedl J. An Algorithmic Framework for Performing Collaborative Filtering. ACM SIGIR Forum. 2017; 51(2): 227–234. https://doi.org/10.1145/3130348.3130372 DOI: https://doi.org/10.1145/3130348.3130372
Yin N. A Big Data Analysis Method Based on Modified Collaborative Filtering Recommendation Algorithms. Open Physics. 2019; 17(1): 966–974. https://doi.org/10.1515/phys-2019-0102 DOI: https://doi.org/10.1515/phys-2019-0102
Lee D. D., Seung H. S. Learning the parts of objects by non-negative matrix factorization. Nature. 1999; 401(6755): 788–791. https://doi.org/10.1038/44565 DOI: https://doi.org/10.1038/44565
Gillis N., Rajkó R. Partial Identifiability for Nonnegative Matrix Factorization. SIAM Journal on Matrix Analysis and Applications. 2023; 44(1): 27–52. https://doi.org/10.1137/22m1507553 DOI: https://doi.org/10.1137/22M1507553
Koren Y., Bell R., Volinsky C. Matrix factorization techniques for recommender systems. Computer. 2009; 42(8): 30-37. https://doi.org/10.1109/MC.2009.263 DOI: https://doi.org/10.1109/MC.2009.263
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Сагедур Рахман
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Журнал MIST - «Modern Innovations, Systems and Technologies» / «Современные инновации, системы и технологии» публикует материалы на условиях лицензии CreativeCommons Attribution 4.0 International (CC BY 4.0), размещенной на официальном сайте некоммерческой корпорации Creative Commons: 
This work is licensed under a Creative Commons Attribution 4.0 International License.
Это означает, что пользователи могут копировать и распространять материалы на любом носителе и в любом формате, адаптировать и преобразовывать тексты, использовать контент для любых целей, в том числе коммерческих. При этом должны соблюдаться условия использования — указание автора оригинального произведения и источника: следует указывать выходные данные статей, предоставлять ссылку на источник, а также указывать, какие изменения были внесены.
