ЗАСТОСУВАННЯ АКТИВНОГО НАВЧАННЯ В СИТУАЦІЇ ЦИКЛІЧНОГО ХОЛОДНОГО СТАРТУ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ

Автор(и)

DOI:

https://doi.org/10.20998/2079-0023.2018.44.11

Ключові слова:

рекомендаційні системи, ранжування результатів, холодний старт, колаборативна фільтрація, формування рекомендацій

Анотація

Досліджено проблему побудови рекомендацій для систем електронної комерції в умовах циклічного холодного старту. Дана проблема виникає при постійній зміні інтересів користувачів протягом строку використання рекомендаційної підсистеми. Існуючі підходи до формування рекомендацій в умовах холодного старту засновані на поступовому накопиченні інформації про споживача і тому не забезпечують релевантних рекомендацій у випадку циклічних змін у їх діяльності та інтересах. Для вирішення цієї проблеми пропонується враховувати аспект зміни інтересів користувачів щодо товарів та послуг в часі. Мета даної роботи полягає в уточнення принципів активного навчання для побудови рекомендацій в умовах зміни інтересів споживачів з тим, щоб забезпечити поетапне уточнення персональних рекомендацій «холодним» споживачам. Отримані результати містять у собі деталізовану задачу формування рекомендацій, та уточнені принципи активного навчання. Виділено ключову особливість циклічного холодного старту в рекомендаційній системі, що полягає в обмеженості періоду, протягом якого може бути доповнена та уточнена інформація про клієнта системи електронної комерції. Зазначена особливість обумовлює потребу у врахуванні аспекту часу при формуванні рекомендацій щодо вибору товарів та послуг. Сформульовано задачу формування рекомендацій в умовах циклічного холодного старту як задачу ітеративного доповнення та уточнення даних нового «холодного» користувача патернами найбільш розповсюджених циклів поведінки споживачів з подальшим використанням колаборативної фільтрації уточнених даних для формування рекомендацій. Доповнено принципи застосування активного навчання для умов циклічного холодного старту на основі використання типових послідовностей дій користувача у часі. Вказані принципи дозволяють коригувати вхідні дані для «холодного» користувача за допомогою евристичної стратегії, що враховує зміни у патернах поведінки споживачів. Патерни поведінки відображають циклічні зміни інтересу споживачів щодо товарів та послуг, що пропонує система електронної комерції.

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: Item-to-item collaborative filtering, Internet Computing, IEEE, 2003, Vol. 7, no.1, pp. 76–80.

Leshchynskyi V., Leshchynska I. Usovershenstvovanie metoda kolaborativnoj filtracii s neyavnoj obratnoj svyazyu na osnove ranzhirovaniya otricatelnyh rezultatov v matrice ishodnyh dannyah [Collaborative Filtering for Implicit Feedback Datasets using Ranking Negative Data]. Sistemi upravlinnya, navigaciyi ta zv'yazku [Systems of control, navigation and communication]. Poltava, 2018, no. 3(49), pp. 73-77.

B. Smyth. Case-based recommendation. The Adaptive Web. Springer, 2007, pp. 342–376.

D. Bridge, M. Goker, L. McGinty, and B. Smyth. Case-based recommender systems. The Knowledge Engineering Review, 2005, № 20(3), pp. 315–320.

Chaliy S., Leshchynskyi V., Leshchynska I. Modelyuvannya kontekstu v rekomendacijnih sistemah [Modeling the context in recommender systems]. Naukovij zhurnal «Problemi informacijnih tehnologij» [Scientific journal "Problems of Information Technologies"]. Kherson: Kherson National Technical University, 2018, no. 1(023), pp. 21-26.

Leshchynskyi V., Leshchynska I. Vikoristannya principiv lokalnosti ta zvya’znosti kontekstu v rekomendacijnih sistemah [Using principles of locality and connectivity of the context in recommender systems]. Visnyk Harkivskogo politehnichnogo instytuty: sb. nauch. tr.: Sistemnij analiz, upravlinnya ta informacijni tehnologiyi [Bulletin of the Kharkov Polytechnic Institute: Sat. sci. tr.]: System Analysis, Management and Information Technology. Kharkov, NTU "KhPI" Publ. 2018, no 22 (1298), pp. 16-21.

Chaliy S., Leshchynskyi V., Leshchynska I. Integraciya lokalnih kontekstiv spozhivachiv v rekomendacijnih sistemah na osnovi vidnoshen ekvivalentnosti, shozhosti ta sumisnosti [Integration of local contexts of consumers in advisory systems based on equivalence, similarity and compatibility].Materiali VII mizhn. nauk. konf. «Informacijni upravlyayuchi sistemi ta tehnologiyi» [Materials of the VII International Scientific Conference «Information-Сontrol System and Technologies»]. Odessa, 2018, pp.142-144.

Schein A. I., Popescul A., Ungar L. H., Pennock D. M. Methods and metrics for cold-start recommendations. Proceedings of the 25th annual international ACM SIGIR conference on Research and development in information retrieval, 2002, pp. 253-260.

Guy I., Zwerdling N., Carmel D., Ronen I., Uziel E., Yogev S., Ofek-Koifman S. Personalized recommendation of social software items based on social relations. Proceedings of the Third ACM Conference on Recommender Systems, 2009, pp. 53-60.

Kalynychenko O, Chaly S., Bodyanskiy Y., Golian V., Golian N. Implementation of Search Mechanism for Implicit Dependences in Process Mining. Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 2013 IEEE 7th International Conference, Vol. 1, pp. 138-142.

Settles B. Active Learning, Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool Publishers, 2012. 114 p.

##submission.downloads##

Як цитувати

Leshchynskyi, V. O., & Leshchynska, I. O. (2018). ЗАСТОСУВАННЯ АКТИВНОГО НАВЧАННЯ В СИТУАЦІЇ ЦИКЛІЧНОГО ХОЛОДНОГО СТАРТУ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, 1320(44), 66–71. https://doi.org/10.20998/2079-0023.2018.44.11

Номер

№ 44 (2018)

Розділ

СИСТЕМНИЙ АНАЛІЗ І ТЕОРІЯ ПРИЙНЯТТЯ РІШЕНЬ

Ліцензія

Авторське право (c) 2018 Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї

Автори, 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).