Рекомендации, подобранные вручную
Алгоритм гибридной фильтрации помогает частично избежать проблемы «холодного старта». Данный подход основан на объединении алгоритмов контентной и коллаборативной фильтрации для улучшения качества предоставления рекомендаций. Система ничего не знает о новых объектах, и как следствие, они никому не рекомендуются. Решение: анализировать объект при добавлении и выявлять характеристики и особенности… Читать ещё >
Рекомендации, подобранные вручную (реферат, курсовая, диплом, контрольная)
Такой подход широко применяется в случаях небольшого более-менее постоянного ассортимента объектов, когда проще каждому товару подобрать сопутствующий чем строить сложные рекомендации, основываясь на многих факторах. К примеру, если пользователь будет просматривать товар «стол», то система должна предложить ему «подумать о стульях» и тому подобное. Но данный подход неприменим, когда связи между объектами сложны или их становится слишком много.
Контентная фильтрация
Пользователю предоставляются рекомендации, основанные на критериях и свойствах предметов, которые ему понравились. То есть если пользователь оценил фильм, то система предложит ему наиболее схожий вариант по некоторым критериям (например, жанр, актёры, режиссёр и тому подобное). Таким образом, в системе формируются предпочтения пользователя, и рекомендации строятся по принципу минимизации различий.
Коллаборативная фильтрация
Самый распространённый подход в современных системах. В отличии от контентной фильтрации, коллаборативная — строит рекомендации как на основе оценок самого пользователя, так и на основе оценок других пользователей. Данный подход реализуют множество алгоритмов, но самые распространённые из них следующие:
- · User/User (User-based)
- · Item/Item (Item-based)
- · SVD (Singular Value Decomposition)
Главная проблема рекомендательных систем такого типа — так называемый «холодный старт»:
- · Система ничего не знает о новых пользователях, и как следствие, не может предлагать им рекомендации. Решение: собирать некоторую информацию при регистрации.
- · Система ничего не знает о новых объектах, и как следствие, они никому не рекомендуются. Решение: анализировать объект при добавлении и выявлять характеристики и особенности.
Гибридная фильтрация
Алгоритм гибридной фильтрации помогает частично избежать проблемы «холодного старта». Данный подход основан на объединении алгоритмов контентной и коллаборативной фильтрации для улучшения качества предоставления рекомендаций.
Алгоритмов гибридной фильтрации так же существует несколько, но самый простой — основанный на весах:
— вес для алгоритма.
Например, можно построить рекомендательный сервис, который будет использовать два алгоритма:
Победители конкурса «Netflix Prize» — команда «BellKor's Pragmatic Chaos» в 2008 году использовали гибридную фильтрацию из 27ми алгоритмов [5].
Правильно подобранные веса и алгоритмы позволяют серьёзно улучшить качество рекомендаций. Так же, веса желательно задавать в виде функций, где — набор некоторых параметров. Это позволяет сделать алгоритм более адаптивным и достичь большей точности.
Таким образом, существует множество подходов к построению рекомендательного сервиса. Каждый из них реализует свои конкретные задачи и цели, и при выборе определённого подхода надо отталкиваться именно от них. Гибридная фильтрация, объединяя в себе несколько рекомендательных алгоритмов, позволяет добиться наилучших результатов предсказаний, однако это возможно только при правильно подобранных весовых коэффициентах.