Використання принципів локальності та звя’зності контексту в рекомендаційних системах

Автор(и)

DOI:

https://doi.org/10.20998/2079-0023.2018.22.03

Ключові слова:

рекомендаційні системи, ранжування результатів, контекст прийняття рішень, локальність, зв’язність

Анотація

Досліджено проблему релевантності вхідних даних в рекомендаційних системах. Дана проблема виникає внаслідок недостатньої диференціації даних про товари відносно споживачів, що не дозволяє в повній мірі індивідуалізувати їх вподобання в рекомендаційній системі. Для вирішення цієї проблеми пропонується враховувати локальні контексти споживачів, що відповідають умовам їх вибору. Використання контексту дає можливість задати контекстні обмеження на можливі варіанти упорядкованого переліку рекомендації і тим самим підвищити якість роботи рекомендаційної системи. З метою забезпечити контекстно-орієнтовані рекомендації пропонується послідовно узагальнити та відфільтрувати локальні контексти споживачів з використанням принципів локальності і зв’язності. Особливість використання цих принципів полягає у тому, що поєднуються статичний та динамічний аспекти контексту. Перший аспект характеризується множиною властивостей об’єктів, які цікавлять споживача. Другий аспект задається у вигляді патернів подій, що відображують поведінку споживача відносно цих об’єктів. Запропонований зв’язок між аспектами полягає в тому, що кожна подія відповідає парі послідовних множин властивостей об’єктів, які відрізняються одним значенням властивості. Запропоновано двохфазовий підхід до формування контексту прийняття рішень для рекомендаційної системи, що передбачає послідовну інтеграцію статичної та динамічної складових контексту. При інтеграції використовуються відношення еквівалентності, схожості та сумісності. При реалізації перщої фази формується item-based, а другої – user-based опис контексту. Потім ці описи поєднуються та фільтруються у відповідності до властивостей нового споживача, якому видаються рекомендації. Практичне значення запропонованого підходу полягає в тому, що він дозволяє видалити не релевантні вхідні дані з урахуванням контексту прийняття рішень споживачем і на цій основі підвищити точність рекомендацій.

Посилання

Aggarwal C. C. Recommender Systems: The Textbook. Springer, New York, 2017. 498 p.

Abowd G., Atkeson C., Hong J., Long S., Kooper R., Pinkerton M. Cyberguide: A mobile context-aware tour guide. Wireless Networks. 1997, no. 3(5), pp. 421–433.

Herlocker J.L., Konstan J.A., Terveen L.G., Riedl J.T. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS). 2004, vol. 22, no. 1, pp. 5–53.

Abowd G., Dey A., Brown P., Davies N., Smith M., Steggles P. Towards a better understanding of context and context-awareness. Handheld and Ubiquitous Computing. 1999, pp. 304–307.

Adomavicius G., Sankaranarayanan R., Sen S., Tuzhilin A. Incorporating contextual information in recommender systems using a multidimensional approach. ACM Transactions on Information Systems. 2005, no. 23(1), pp. 103–145.

Linden G., Smith B., York J. Amazon.com recommendations: Itemto-item collaborative filtering, Internet Computing, IEEE. 2003, vol. 7, no.1, pp. 76–80.

Adomavicius G., Tuzhilin A. Context-aware recommender systems. Recommender Systems handbook. Springer, NY, 2011, pp. 217– 253.

Adomavicius G. Tuzhilin A. Incorporating context into recommender systems using multidimensional rating estimation methods. International Workshop on Web Personalization, Recommender Systems and Intelligent User Interfaces (WPRSIUI). 2005, pp. 3–13.

Shaw Gavin, Xu Yue. Using Association Rules to Solvethe ColdStart Problem in Recommender Systems. [QUT Digital Repository]. Available at: http://eprints.qut.edu.au/40176 (accessed 24.05.2018).

Sobhanam Hridya, Mariappan A.K. Addressing cold start problem in recommender systems using association rules and clustering technique. International Conference on Computer Communication and Informatics (ICCCI- 2013). Coimbatore, India, 2013, pp. 402– 411.

Adomavicius G., Tuzhilin A. Towards 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, no. 17, pp. 634–749.

Baltrunas L. Ludwig B. Peer S., Ricci F. Context- Aware Places of Interest Recommendations for Mobile Users. Proceedings of the 14th International Conference on Human-Computer Interaction. Berlin, Springer, 2011, pp. 531–540.

Agarwal D., Chen B. C., Long B. Localized factor models for multicontext recommendation. ACM KDD Conference. 2011, pp. 609– 617.

Chalaya O.V. Pryntsyp ta metod evoliutsiinoi pobudovy bazy znan’ na osnovi analizu logiv IS protsesnogo upravlinnia [Development of knowledge base after results of analysis of the logs of the process management information system]. Naukovo-tekhnichnyi zhurnal «Bionika intelektu» [ Scientific and Technical Journal "Bionics of Intellect"]. Kharkiv, NURE Publ., 2017, no. 1(88), pp. 80–84.

##submission.downloads##

Як цитувати

Leshchynskyi, V. O., & Leshchynska, I. O. (2018). Використання принципів локальності та звя’зності контексту в рекомендаційних системах. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, (22), 16–21. https://doi.org/10.20998/2079-0023.2018.22.03

Номер

Розділ

СИСТЕМНИЙ АНАЛІЗ І ТЕОРІЯ ПРИЙНЯТТЯ РІШЕНЬ