РАЗРАБОТКА РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ ДЛЯ ПРОФЕССИОНАЛЬНОЙ ОРИЕНТАЦИИ

DEVELOPMENT OF A RECOMMENDATION SYSTEM VOCATIONAL GUIDANCE

Vladislav Buzin

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

Russia, Novosibirsk

АННОТАЦИЯ

Рекомендательные системы – уже очень плотно вошли в жизнь современного общества, они помогают и упрощают жизнь пользователям. С их помощью пользователи быстрее находят интересующие их товары и услуги. Данные системы имеют огромное количество фильтраций, с помощью которых реализуются рекомендации в различных областях. В последние годы точность рекомендательных систем вышла на новый уровень из-за технического прогресса. Для рекомендательных систем все чаще стали использовать нейронные сети и машинное обучение. Рекомендательные системы наиболее распространены на веб сайтах и в мобильных приложениях.

ABSTRACT

Recommender systems are already very densely included in the life of modern society, they help and simplify the life of users. With their help, users quickly find the goods and services they are interested in. These systems have a huge number of filters, with the help of which recommendations in various areas are implemented. In recent years, the accuracy of recommender systems has taken on a new level due to technological advances. Neural networks and machine learning are increasingly being used for recommender systems. Recommender systems are most common on websites and mobile applications.

Ключевые слова: рекомендательная система, косинусное сходство, фильтрация, веб приложение.

Keywords: recommender system, cosine similarity, filtration,web-application.

Рекомендательные системы - программное обеспеченье , которые пытается предсказать, какие объекты будут интересны пользователю на основе знаний и информации о пользователе. Они плотно вошли в жизнь современного общества и трудно представить себе нашу жизнь без них. Рекомендательные системы используются практически везде: на сайтах с фильмами, в электронных библиотеках, интернет-магазинах, новостных порталах.

Рекомендательные системы принято подразделять по способу их работы, то есть, какие фильтры они используют для своей работы. Существуют два основных вида фильтрации: - фильтрация на основе содержаний и коллаборативная фильтрация. Фильтрация на основе содержаний – способ, при котором создаются профили пользователей на основе их демографической информации и ответах на определенные вопросы. Коллаборативная фильтрация[5, c. 47] - способ при котором рекомендации основываются на оценке других пользователей, такой способ фильтрации часто используется в электронных библиотеках, интернет-магазинах, видео-хостингах, с помощью такой фильтрации пользователь получает рекомендацию о тех товарах и услугах, которые ранее ему не встречались.

Для того, чтобы разработать интеллектуальную систему для профессиональной ориентации стоит использовать метод фильтрации на основе содержаний, ведь нам необходимо собрать специфическую информацию о пользователе. Данный метод фильтрации будет основан на прохождении пользователем опроса, по результатам, которого ему будет предложены рекомендации согласно интересам пользователя.

Для работы данного метода фильтрация было принято решение использовать косинусное сходство [1 c. 200-350] (формула 1) так как система будем рекомендовать пользователю направления, которые наиболее похожи на те, что были интересны ранее. Косинусное сходство будет вычисляться между интересующими его направлениями и другими направлениями, наиболее похожие будут рекомендованы пользователю. Формула косинусного сходства представлена ниже.

                                                           (1)

где  – косинусное сходство между направлениями пользователя и всеми направлениями.

 -  компоненты векторов всех направлений и интересующих пользователя;

 – компоненты вектора всех направлений;

 – компоненты вектора интересующих пользователя направлений.

Интеллектуальная система для профессиональной ориентации будет представлять из себя веб-приложение, который будет состоять из определённого списка вопросов, после ответа на которые пользователь получит рекомендацию об интересующих его профессиях.

На рисунке 1 представлена стартовая страница веб-приложения, где изображена краткая информация о рекомендательной системе, а также кнопка, отвечающая за старт тестирования.

Рисунок 1. Экран стартовой страницы рекомендательной системы

Для реализации [4] данной системы используется технология классификации, алгоритм которой основан на вычислительной модели категоризации предпочтений пользователя. Метод категоризации [3 c.132-160] представляет собой построение вектора пользовательских предпочтений и соотношения между ними [2, c. 350-370]. Пользовательские   предпочтения мы узнаем в явном виде, после прохождения им опроса, далее происходит сравнение полученного результата с другими направлениями и выводится наиболее схожие варианты. Система сравнивает векторы элементов и возвращаем лучшие совпадения.

Данный способ получения информации доступен ученику в любом месте и в любое время, необходимо только иметь смартфон.

Список литературы:

1. Бенджио И. Гудфеллоу Я. Курвилль А. Глубокое обучение. - Москва: ДМК Пресс, 2020. - 652 с.
2. Бритвина Е. Крылов В. Графовые модели данных и алгоритмы для рекомендательных систем. LAP Lambert Academic Publishing, 2015. - 501 с.
3. Ким Ф. Рекомендательные системы на практике. - Москва: ДМК Пресс, 2020. - 448 с.
4.  Парамонов С. Пишем простую систему рекомендаций на примере Хабра. [Электронный ресурс]. 18.07.2014. Режим доступа: https://habrahabr.ru/post/230155/ (дата обращения: 5.12.2020).
5. Evaluating collaborative filtering recommender systems / J. L. Herlocker [et al] // ACM Transactions on Inform/ Systems. - 2004. - Vol. 22, N 1. – 53c.