Development and research of models and software for the recommender system of consumer goods
DOI:
https://doi.org/10.20998/2079-0023.2018.21.13Ключові слова:
рекомендаційна система, товари масового вжитку, метод альтернативних найменших квадратів, метод сингулярного розкладу, моделі, програмний компонент, рекомендаціїАнотація
Запропоновано дослідження проблеми створення рекомендацій, з технічним описом для побудови рекомендаційної системи для вибору товарів масового вжитку за допомогою сучасних алгоритмів, підходів, принципів і містить дослідження найбільш популярних методів. Було визначено, що впровадження рекомендаційних систем є однією з областей, які швидко розвиваються для вдосконалення прикладних інформаційних технологій, інструментів для автоматичного генерування пропозицій, заснованих на дослідженні особистих потреб і профілю клієнтів. Було досліджено, що такі системи почали грати дуже важливу роль в швидко зростаючому Інтернеті, оскільки вони допомагають користувачам орієнтуватися у великій кількості інформації, користувачі не можуть аналізувати великий обсяг інформації, адже це дуже складно і також вимагає багато часу і зусиль, але завдяки рекомендаційним системам, які можуть фільтрувати великий обсяг інформації і надавати користувачам інформацію і рекомендації, які їм подобаються, проблема може бути вирішена і замість надання статичної інформації, коли користувачі шукають, і можливо, купують продукти, такі системи збільшують ступінь інтерактивності для розширення можливостей, що надаються користувачеві. Було визначено, що рекомендаційні системи формують рекомендації самостійно для кожного конкретного користувача на основі минулих покупок і пошуків, а також на основі поведінки інших користувачів за допомогою служб рекомендацій, які збирають різну інформацію про людину, що використовує кілька методів, і в той же час всі системи є загальними. Було проведено огляд методів фільтрації на основі контенту, спільної фільтрації і гібридних методів. Було виконано огляд алгоритмів альтернативних найменших квадратів і сингулярного розкладання. Описана конструкція рекомендаційної системи програмного забезпечення для вибору товарів масового вжитку. Зроблено пояснення деяких можливостей програмної реалізації і інструментів програмування для розроблюваної системи. Зроблено висновки про проблеми рекомендаційних систем і огляд існуючих алгоритмів.Посилання
George F. Luger Artificial Intelligence: Structures and Strategies for Complex Problem Solving, 4th Edition. Pearson, 2002. 864 p.
Bashmakov A. I., Bashmakov I. A. Intellektual'nye informatsionnye tekhnologii: ucheb. posobie [Intellectual Information Technologies]. Moscow, Izd-vo MGTU im. N. E. Baumana Publ., 2005. 304 p.
Mel'nik K. V. Primenenie algoritma kollaborativnoy fil'tratsii dlya obrabotki meditsinskikh dannykh [The application of the collaborative filtering algorithm for the processing of medical data]. Bulletin of the National Technical University "KhPI". Series: Strategic management, portfolio management, programs and projects. Kharkiv, NTU "KhPI" Publ., 2015, no 2, pp. 193–198.
Brown T. A. Confirmatory factor analysis for applied research. The Guilford Press, 2006. 493 p.
Roizner M. Yak pratsiuiut rekomendatsiini systemy [How Advice Systems Work]. Available at: https://habrahabr.ru/company/yandex/blog/241455/ (accessed: 15.01.2018).
Parallel Matrix Factorization for Recommender Systems. Available at: http://www.cs.utexas.edu/~inderjit/public_papers/kais-pmf.pdf (accessed: 18.01.2018).
Funktsiia vtrat. Available at: http://statistica.ru/glossary/general/funktsiya-poter (accessed: 07.02.2018).
Yakovlev C. Prohramuvannia na Python Python [Programming on Python]. Available at: https://www.ibm.com/developerworks/ru/library/lpython_part_11/index.html/ (accessed: 17.02.2018).
Johns T. Spark. Alternatyva dlia shvydkoho analizu danykh [An alternative to fast data analysis]. Available at: https://www.ibm.com/developerworks/ru/library/osspark/ (accessed: 21.02.2018).
Pentreath N. Machine Learning with Spark. Birmingham: Packt Publishing, 2015. 322 p.
Koroleva D., Filipov M. Analiz alhorytmiv navchannia rekomendatsiinykh system [Analysis of the training algorithms for reference systems]. Available at: http://engjournal.ru/articles/816/816.pdf (accessed: 23.01.2018).
Rekomendatsiini systemy: Chastyna 1. Vvedennia v pidkhody i alhorytmy [Advisory Systems: Part 1. Introduction to Approaches and Algorithms]. Available at: https://www.ibm.com/developerworks/ru/library/osrecommender1/index.html (accessed: 23.01.2018).
Goncharov М. Data Mining: Recomedatsiini systemi [Advisory Systems]. Available at: http://kek.ksu.ru/EOS/WM/50_132-670.pdf (accessed: 23.01.2018).
##submission.downloads##
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2018 Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiїАвтори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
