УДК 004.58
Анализ алгоритмов обучения
коллаборативных рекомендательных систем
© Д.Е. Королева, М.В. Филиппов
МГТУ им. <...> Н.Э. Баумана, Москва, 105005, Россия
В статье рассмотрены алгоритмы коллаборативной фильтрации, используемые в
рекомендательных системах. <...> Проведен сравнительный анализ данных алгоритмов
с точки зрения критериев точности полученных результатов и быстродействия. <...> Рекомендательные системы — программные средства,
которые пытаются предсказать какие объекты (фильмы, музыка, книги, новости, веб-сайты и т. д.) будут интересны пользователю, если
имеется определенная информация о его предпочтениях. <...> Существуют две основные стратегии создания рекомендательных
систем: фильтрация содержимого и коллаборативная фильтрация [1,2]. <...> При фильтрации содержимого создаются профили пользователей
и объектов. <...> Профили пользователей могут включать демографическую информацию или ответы на определенный набор вопросов. <...> При коллаборативной фильтрации [3] используется информация
о поведении пользователей в прошлом, например о покупках или
оценках. <...> В этом случае не имеет значения с какими типами объектов
ведется работа, но могут учитываться неявные характеристики, которые сложно было бы учесть при создании профиля. <...> Amazon рекомендует книги и другие товары, основываясь на том, что вы покупали, что просматривали, какие рейтинги ставили и какие оставляли отзывы;
• Last.fm и Pandora рекомендуют музыку. <...> Они придерживаются
разных стратегий рекомендации: Last.fm использует, кроме собственно рейтингов других пользователей, исключительно «внешние» дан1 <...> Д.Е. Королева, М.В. Филиппов
ные о музыке — автор, стиль, дата, тэги и т. п. <...> Pandora основывается
на «содержании» музыкальной композиции, используя очень интересную идею — Music Genome Project, в котором профессиональные
музыканты анализируют композицию по нескольким сотням атрибутов (в России Pandora сейчас недоступна);
• Google, Yahoo!, Яндекс — можно сказать, что они тоже рекомендуют пользователям <...>