Рекомендаційна система на основі спільної фільтрації
Анотація
Спільна фільтрація є популярною технікою надання персоналізованих рекомендацій у системах рекомендацій. Одначе проблема розрідженості та компромісу між точними та різноманітністю є основними проблемами, які обмежують його продуктивність. У цій статті ми пропонуємо новий підхід, який поєдинну матричну факторизацію з новою метрикою для підвищення точності та різноманітності рекомендацій. Ми оцінюємо наш підхід на наборі даних MovieLens і порівнюємо його з кількома найсучаснішими методами, включаючи методи на основі сусідства, імовірні моделі та гібридні підходи. Наші експериментальні результати показують, що наш метод кращий за інші методи, як з точки зору точності, так і різноманітності, виміряної показниками точності, запам’ятовування та новини.
Посилання
2. Hardesty, L. (Nov. 2019). The history of Amazon’s recommendation algorithm: Collaborative filtering and beyond, in ‘Amazon Science’, Amazon [Electronic resource]
3. Musa, J.M.; Zhihong, X. (2020). Item Based Collaborative Filtering Approach in Movie Recommendation System Using Different Similarity Measures. ICCTA '20: Proceedings of the 2020 6th International Conference on Computer and Technology Applications (pp. 31-34).
4. Schedl, M., & Knees, P. (2018). Music recommendation and discovery in the age of streaming services. Proceedings of the IEEE, 106(4), 626-641.
5. Choi, Jeongwhan; Hong, Seoyong; Park, Noseong; Cho, Sung-Bae (2022). "Blurring-Sharpening Process Models for Collaborative Filtering".
