ИССЛЕДОВАНИЕ И РАЗРАБОТКА АЛГОРИТМОВ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

RESEARCH AND DEVELOPMENT OF RECOMMENDATION SYSTEM ALGORITHMS

Tigran Sargsyan

student, Department of Automated Control Systems, Lipetsk State Technical University,

Russia, Lipetsk

Leonid Gaev

scientific supervisor, candidate of Technical Sciences, associate professor, Lipetsk State Technical University,

Russia, Lipetsk

АННОТАЦИЯ

В данной статье рассматриваются подходы к построению рекомендательных систем, включая алгоритмы коллаборативной фильтрации, контентной фильтрации и гибридные методы. Приведены примеры их применения в электронной коммерции и потоковых сервисах. Также анализируется эффективность различных методов и возможности дальнейшего развития в контексте персонализации пользовательского опыта.

ABSTRACT

This article discusses approaches to building recommendation systems, including collaborative filtering algorithms, content filtering, and hybrid methods. Examples of their application in e-commerce and streaming services are given. The effectiveness of various methods and the possibilities of further development in the context of personalization of user experience are also analyzed.

Ключевые слова: рекомендательные системы, машинное обучение, коллаборативная фильтрация, персонализация, big data.

Keywords: recommendation systems, machine learning, collaborative filtering, personalization, big data.

Рекомендательные системы играют важную роль в цифровой экономике, обеспечивая персонализированный опыт взаимодействия пользователей с информационными системами. Они используются в интернет-магазинах, потоковых сервисах, социальных сетях и образовательных платформах. Основные подходы к созданию таких систем включают коллаборативную фильтрацию, контентную фильтрацию и гибридные модели [1, с. 145].

Коллаборативная фильтрация основывается на анализе пользовательских предпочтений и оценок. Существует два основных метода: user-based (на основе пользователей) и item-based (на основе предметов). Эти методы используют матрицы предпочтений и вычисляют схожесть между пользователями или объектами, используя метрики, такие как косинусное расстояние или коэффициент корреляции Пирсона.

Контентная фильтрация использует атрибуты объектов для построения модели предпочтений. Например, в системе рекомендаций фильмов будут использоваться жанры, актеры, режиссеры и т.д. Пользовательская модель формируется на основе ранее просмотренных фильмов и применяется для оценки новых объектов.

Гибридные методы сочетают оба подхода, позволяя компенсировать слабые стороны каждого. Они демонстрируют более высокую точность и устойчивость к проблемам, таким как «холодный старт» или разреженность данных. Современные системы, такие как Netflix и Amazon, применяют именно гибридные алгоритмы [2, с. 89].

С развитием машинного обучения и big data появляются новые методы построения рекомендательных систем. Применяются нейронные сети, градиентный бустинг и модели на основе глубокого обучения, такие как autoencoders и factorization machines. Они обеспечивают высокую точность, но требуют значительных вычислительных ресурсов и объемов данных.

Для оценки качества рекомендаций используются метрики точности (precision, recall), метрика NDCG, а также показатели вовлеченности пользователей. Важно учитывать не только точность, но и разнообразие, новизну и доверие к рекомендациям.

В рамках разработки собственной рекомендательной системы важно провести анализ предметной области, выбрать подходящий алгоритм и обеспечить сбор и обработку пользовательских данных. Практическая реализация может включать использование библиотек Python, таких как Surprise, LightFM или TensorFlow Recommenders.

Таким образом, рекомендательные системы являются неотъемлемой частью современных информационных сервисов. Их развитие связано с улучшением пользовательского опыта и эффективностью бизнес-процессов, что делает данную область перспективной как для исследований, так и для практического применения.

Список литературы:

1. Ренгин А.В. Рекомендательные системы: принципы и технологии. – М.: Наука, 2021. – 352 с.
2. Кулаков В.П. Машинное обучение в рекомендательных системах. – СПб.: Питер, 2020. – 288 с.
3. Aggarwal C.C. Recommender Systems: The Textbook. – Springer, 2016. – 471 p.
4. Zhang S., Yao L., Sun A., Tay Y. Deep Learning Based Recommender System: A Survey and New Perspectives // ACM Computing Surveys. – 2019. – Vol. 52, No. 1