Рекомендации, подобранные вручную

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.