ОПРЕДЕЛЕНИЕ РЕКОМЕНДАЦИОННЫХ СИСТЕМ ДЛЯ ПОИСКА КНИГ ПО ПРЕДПОЧТЕНИЮ ВЕБПОЛЬЗОВАТЕЛЕЙ
DOI:
https://doi.org/10.20998/2079-0023.2021.02.12Ключові слова:
штучний інтелект, система рекомендацій, спільна фільтрація, контентна фільтрація, гібридний алгоритм, літературний сервіс, вебдодаток, перемикання, посилення ознакАнотація
В даний час питання про стан, формування і розвиток системи взаємодії джерел інформації, наукової взаємодії і запитів користувачів в
окремих сферах діяльності залишається актуальним в умовах розвитку використання інтернет-сервісів. Рекомендаційні системи – один із
видів технологій штучного інтелекту для передбачення параметрів та можливостей.
Через стрімке збільшення даних в мережі Інтернет стає складніше знайти щось справді корисне. А рекомендації, що пропонує сам сервіс, не
завжди можуть відповідати вподобанням користувача. Актуальність теми полягає в тому, щоб розробити персональну рекомендаційну
систему пошуку книг, що не тільки зменшить часові витрати та кількість непотрібної інформації, а й відповідатиме вподобанням
користувача на основі аналізу їх оцінок та зможе надати необхідну інформацію в потрібний час. Все це робить ресурси, засновані на
рекомендаційних механізмах, привабливими для користувача. Така система рекомендацій зацікавить виробників та продавців книг, бо це
можливість надавати персональні рекомендації клієнтам за їх вподобаннями.
У статті розглядаються алгоритми надання рекомендаційних систем (колаборативна та контентна системи фільтрацій) і їх недоліки. Також
описані комбінації цих алгоритмів з використанням гібридного алгоритму. Пропонується використовувати метод, який об'єднує кілька
гібридів в одну систему і складається з двох елементів: перемикання і посилення ознак. Це дозволило уникнути проблем, що виникають при
використанні кожного з алгоритмів окремо.
Було розроблено літературний вебдодаток за допомогою Python із застосуванням фреймворків Django та Bootstrap, а також баз даних SQLite,
і впроваджено цю систему рекомендацій для надання найбільш точних пропозицій. У ході тестування розробленого програмного
забезпечення було перевірено роботу літературного сервісу, що розраховує персональні рекомендації для користувачів, використовуючи
метод гібридної фільтрації. Рекомендаційна система пройшла тестування успішно та показала високу ефективність.
Посилання
Isinkaye F. O., Folajimi Y. O., Ojokoh B. A. Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal. 2015, vol. 16, issue 3, pp. 261–273.
Venkatesan M., Thangadurai K. History and overview of the recommender systems. Collaborative Filtering Using Data Mining and Analysis. 2016, pp. 74–99.
Shardanand U., Maes P. Social Information Filtering: Algorithms for Automating «Word of Mouth». Proceedings of the SIGCHI conference on Human factors in computing systems. [Proceedings of the ACM CHI 95 Human Factors in Computing Systems Conference] New York, NY, USA.1995, pp. 210–217.
Hill W., Stead L., Rosenstein M., Furnas G. Recommending and Evaluating Choices in a Virtual Community of use. Proceedings of the SIGCHI conference on Human factors in computing systems. [Proceedings of the ACM CHI 95 Human Factors in Computing Systems Conference] New York, NY, USA. 1995, pp. 194–201.
Resnick P., Iakovou N., Sushak M., Bergstrom P., Riedl J. GroupLens: An Open Architecture for Collaborative Filtering of Netnews. Proceedings of the 1994 ACM conference on Computer supported cooperative work, [CSCW '94 Computer Science]. 1994, pp. 175–186.
Celma O. Music Recommendation and Discovery. Springer [Springer. Computer science], Berlin, Heidelberg, 2010, pp. 43–85.
Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering [IEEE Computer Society]. 2005, Vol. 17, issue 6, pp. 734–749.
Burke, R., Felfernig, A., & Göker, M. H. Recommender Systems: An Overview. AI Magazine. 2011, no. 32(3), pp. 13–18.
How Reddit ranking algorithms work, URL: http://amix.dk/blog/post/19588 (accessed 27.03.2021).
Shahbazi, Z. Byun, Y.C. Product Recommendation Based on Content-based Filtering Using XGBoost Classifier. International Journal of Advanced Science and Technology. 29(04), pp. 6979– 6988. URL: http://sersc.org/journals/index.php/IJAST/article/ view/28099 (accessed 27.03.2021).
K. Madadipouya, S. Chelliah. A Literature Review on Recommender Systems Algorithms, Techniques and Evaluations. BRAIN [Broad Research in Artificial Intelligence and Neuroscience], 2017, vol. 8, issue 2, pp. 109–124.
Phys J. Summary of recommendation system development, IOP Conf. Series: Journal of Physics: Conf. Series 1187, pp. 1–5.
Foreign online store of literature and training videos, URL: http://shop.oreilly.com/ (accessed 25.03.2021).
Free online cinema ivi.ru, http://www.ivi.ru/ (accessed 25.03.2021).
Ricci F., Rokach L., Shapira B., Kantor P.B. Recommender Systems Handbook. Springer US, 2011. 842 P.
Aggarwal C. C. Data mining. Springer International Publishing, 2015. 734 p.
Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications. 2018, vol. 97, pp. 205–227.
Li X., Wang Z., Wang L., Hu R., Zhu Q. A multidimensional context-aware recommendation approach based on improved random forest algorithm. IEEE Access. 2018, vol. 6, pp. 45071– 45085.
Wang X., Wen J., Luo F., Zhou W., Ren H. Personalized recommendation system based on support vector machine and particle swarm optimization. International Conference on Knowledge Science [International Conference on Knowledge Science, Engineering and Management]. 2015, pp. 489–495.
Marović M., Mihoković M., Mikša M., Pribil S., Tus A. Automatic movie ratings prediction using machine learning. 34th International Convention on Information and Communication Technology, Electronics and Microelectronics. 2011, pp. 1640–1645.
Çano E., Morisio M. Hybrid recommender systems: a systematic literature review. Intelligent Data Analysis. 2017, vol. 21, no. 6, pp. 1487–1524.
Fayyaz Z., Ebrahimian M., Nawara D. Recommendation Systems: Algorithms, Challenges, Metrics, and Business Opportunities. Multidisciplinary Digital Publishing Institute. 2020, vol.10, issue 21, p. 7748.
Beladev M., Rokach L., Shapira, B. Recommender systems for product bundling. Knowl. Based Syst. 2015, vol. 111, pp. 193–206.
Naveen G., Naidu A., Thirumala Dr. B. Comparative Study on Artificial Intelligence and Expert Systems. International Research Journal of Engineering and Technologyю 2019, vol. 6, issue 2, pp. 1980–1986.
Vilnius K. Intelligent Decision Support Systems. Biometric and Intelligent Decision Making Supportю 2015, pp 31–85.
Peter B. Keenan, Piotr J. Spatial Decision Support Systems: Three decades on. Decision Support Systems. 2019, vol. 116, pp. 64–76.
Waila, P., Singh, V., Singh, M. A Scientometric Analysis of Research in Recommender Systems. J Scientometric Res. 2016, vol. 5, issue 1, pp. 71– 84.
Zhang Q., Jie Lu. Artificial intelligence in recommender systems. Complex & Intelligent Systems. 2020, vol. 7, pp. 439–457.
Luy Z., Dou Z., Lianz J. Content-Based Collaborative Filtering for News Topic Recommendation. Proceedings of the AAAI Conference on Artificial Intelligence. 2015, no. 29(1), pp. 217–223.
Li X., Xing J., Wang H., Zheng L., Jia S., Wang Q. A Hybrid Recommendation Method Based on Feature for Offline Book Personalization. Journal of Computers. 2019, vol. 30, no. 5, pp. 1–17.
Lytvynenko V., Lurie I., Krejci J. Two Step Density-Based ObjectInductive Clustering Algorithm. Workshop Proceedings of the 8th International Conference on “Mathematics. Information Technologies. Education”. 2019, pp. 117–135.
Smith J., Weeks D., Freeman J., Jacob M., Magerko B., Towards a Hybrid Recommendation System for a Sound Library. IUI Workshops’19 [Joint Proceedings of the ACM IUI 2019 Workshops]. 2019, vol. 2327, 6 p.
Chyrun L., Burov Y., Rusyn B. Web Resource Changes Monitoring System Development. Workshop Proceedings of the 8th International Conference on “Mathematics. Information Technologies. Education”. 2019, pp. 255–273.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
ЛіцензіяАвтори, 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).