РАЗРАБОТКА РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ С КОЛЛАБОРАТИВНОЙ ФИЛЬТРАЦИЕЙ

DEVELOPMENT OF A RECOMMENDER SYSTEM WITH COLLABORATIVE FILTERING

Diana Makarova

student, Department of Electronic Computing Machines, Vyatka State University,

Russia, Kirov

Krutikov Alexander

scientific supervisor, senior lecturer, Vyatka State University,

Russia, Kirov

АННОТАЦИЯ

В данной статье рассматривается проектирование и разработка рекомендательной системы с коллаборативной фильтрацией для интернет-магазина. Анализируется эффективность предложенной системы в сравнении с существующими методами. Полученные результаты подчеркивают важность предложенного подхода и его потенциал внедрения рекомендаций товаров в интернет-магазине.

ABSTRACT

This article discusses the design and development of a recommendation system with collaborative filtering for an online store. The effectiveness of the proposed system is analyzed in comparison with existing methods. The results obtained highlight the importance of the proposed approach and its potential for implementing product recommendations in an online store.

Ключевые слова: коллаборативная фильтрация, рекомендательная система, на основе пользователей, на основе контента, рекомендации в интернет-магазине.

Keywords: collaborative filtering, recommendation system, user-based, content-based, recommendations in an online store.

В современном интернет-пространстве пользователи сталкиваются с огромным объемом информации, и неоценимую роль в этом процессе играют системы, которые облегчают им ориентацию в этом потоке данных. С увеличением объема информации становится ясно, что пользователи физически неспособны проанализировать все данные, которые могут их заинтересовать. Для эффективного решения этой проблемы широко используются автоматизированные системы, способные быстро и точно анализировать огромные объемы информации. Эти системы предоставляют пользователям персонализированные рекомендации, помогая им открывать новые интересные контенты.

Однако, для обеспечения качественных рекомендаций, необходимо, чтобы система обладала достаточным объемом информации о пользователе. Это подчеркивает важность активного сбора и анализа данных о предпочтениях и поведении пользователя в цифровой среде. Только такая глубокая персонализация может обеспечить максимальную релевантность и полезность рекомендаций, соответствуя уникальным интересам и потребностям каждого пользователя.

В условиях современной конкуренции предпринимателям приходится постоянно внедрять новые технологии для привлечения покупателей и увеличения объема продаж. Одной из важных инноваций в этой области являются рекомендательные системы. Эти системы предоставляют новые методы взаимодействия веб-сайтов с пользователями. В отличие от предоставления статичной информации, где потенциальные покупатели сами ищут и, возможно, выбирают товары, рекомендательные системы повышают уровень интерактивности и расширяют возможности, предоставляемые пользователям. Они формируют персонализированные рекомендации для каждого пользователя, опираясь  на  его предыдущие покупки и запросы, а также учитывая предпочтения других пользователей.

Эффективное внедрение рекомендательных систем в бизнес-процессы способствует росту ключевых метрик, таких как объем продаж. Упрощение поиска и предоставление контента, соответствующего интересам пользователя, приводит к увеличению удовлетворенности клиентов и удержанию аудитории.

Технически, рекомендательные системы представляют собой программы, основанные на обучающихся алгоритмах. Их функционирование заключается в анализе информации о товарах, пользователях и их взаимодействии для формирования персонализированных рекомендаций. Этот метод, в свою очередь, обеспечивает более точное соответствие потребностям и интересам пользователей.

Рекомендации могут быть персонализированными и неперсонализированными. В первом случае мы знаем что-то о пользователе и основываемся на его предпочтениях, во втором — используем популярные или сопутствующие товары.

Выделяют четыре вида рекомендательных систем:

1. Фильтрация, основанная на контенте;
2. Коллаборативная фильтрация;
3. Фильтрация, основанная на знаниях;

4.      Гибридные рекомендательные системы.

Фильтрация, основанная на контенте, представляет собой подход в рекомендательных системах, при котором осуществляется анализ основных характеристик контента для предоставления пользователю рекомендаций, соответствующих его предпочтениям. В данной стратегии акцент делается на особенностях самих товаров или элементов, а не на взаимодействиях между пользователями.

В рамках данного метода система проводит анализ ключевых характеристик контента, включая ключевые слова, тематику, жанр и другие отличительные признаки, которые могут быть характерными для конкретного товара или элемента.

Для каждого пользователя формируются индивидуальные профили, которые строятся на основе их предпочтений и предыдущих взаимодействий с контентом. Эти профили содержат информацию о том, какие характеристики контента пользователь предпочитает или избегает.

Путем сопоставления характеристик контента с предпочтениями пользователя на основе его профиля система определяет степень схожести. Чем выше уровень совпадения, тем больше вероятность того, что контент будет предложен в рекомендациях (рисунок 1).

Рисунок 1. Фильтрация, основанная на контенте

Система, исходя из схожести характеристик контента с предпочтениями пользователя, формирует рекомендации, которые могут включать в себя не только похожий контент, но и товары, представляющие интерес для пользователя. Такой подход полезен в случаях, когда данные о взаимодействии пользователей ограничены, а характеристики контента четко выражены и могут служить основой для точных рекомендаций.

Коллаборативная фильтрация представляет собой стратегию в рекомендательных системах, основанную на анализе схожести между пользователями или товарами для предоставления персонализированных рекомендаций. В отличие от фильтрации, ориентированной на контент, эта методика сосредотачивается на взаимодействиях и предпочтениях пользователей.

В основе коллаборативной фильтрации лежат данные о взаимодействиях между пользователями и товарами. Например, если два пользователя имеют схожие вкусы и высоко оценивают похожие товары, система может рекомендовать одному из них товар, который положительно оценил другой (рисунок 2).

Рисунок 2. Коллаборативная фильтрация

Существуют два основных типа коллаборативной фильтрации:

1. Пользователь-пользователь: основана на схожести между пользователями. Если два пользователя высоко оценивают похожие товары, то они рассматриваются как схожие, и система предоставляет рекомендации, опираясь на предпочтения аналогичных пользователей;
2. Товар-товар: основана на схожести между товарами. Если пользователь положительно отзывается о конкретном товаре, система предлагает другие товары, часто выбираемые теми, кто также положительно оценил первый товар.

Коллаборативная фильтрация реализуется двумя основными методами:

1. Memory-based: основан на хранении матрицы взаимодействий между пользователями и товарами. При запросе на рекомендацию система находит похожих пользователей или товары, предоставляя соответствующие рекомендации;
2. Model-based: использует алгоритмы машинного обучения для построения модели схожести на основе данных о взаимодействиях.

Коллаборативная фильтрация эффективна в случаях, когда есть обширные данные о взаимодействиях пользователей, и когда точные характеристики контента не столь существенны для формирования рекомендаций.

Фильтрация, основанная на знаниях, представляет собой стратегию рекомендательных систем, при которой используются информация о продуктах или предпочтениях пользователя для создания более точных рекомендаций. Этот метод объединяет данные о характеристиках контента с экспертными знаниями, способствуя предоставлению более детализированных и целенаправленных рекомендаций.

В процессе фильтрации, базирующейся на знаниях, внедряются заранее определенные экспертные знания о продуктах или сфере предмета. Эти знания могут варьироваться от технических характеристик товаров до тематических аспектов, что дополняет анализ характеристик контента.

Для каждого пользователя создаются индивидуальные профили, которые не только отражают их предпочтения, но также учитывают уровень экспертизы в определенных областях. Например, если пользователь обладает экспертными знаниями в определенной теме, система интегрирует этот аспект при формировании рекомендаций (рисунок 3).

Рисунок 3. Фильтрация, основанная на знаниях

Применение фильтрации на основе знаний оказывается целесообразным в контексте, где необходимо учесть не только предпочтения пользователя, но и их экспертное владение определенной областью. Этот метод способствует глубокому пониманию индивидуальных потребностей пользователей, обогащая рекомендации дополнительными слоями контекста и экспертизы.

Гибридные рекомендательные системы представляют собой инновационный метод, объединяющий различные стратегии, такие как контентная фильтрация, коллаборативная фильтрация и фильтрация, основанная на знаниях. Основная цель этого подхода - повышение точности и универсальности рекомендаций. Важным аспектом гибридных систем является их способность компенсировать недостатки каждого отдельного метода, что обеспечивает создание более эффективных систем рекомендаций (рисунок 4).

Рисунок 4. Гибридные системы

Эти рекомендательные системы предоставляют более гибкий и эффективный подход, который позволяет использовать преимущества разнообразных стратегий для достижения более точных и универсальных рекомендаций. Это делает их весьма перспективными в контексте построения усовершенствованных систем персонализированных рекомендаций.

Выбор коллаборативной фильтрации для интернет-магазина может быть обоснован рядом преимуществ, которые этот метод предоставляет в контексте рекомендательных систем. Ниже приведены ключевые аргументы в пользу использования коллаборативной фильтрации:

1. Учет предпочтений пользователя: коллаборативная фильтрация основана на анализе взаимодействий и предпочтений пользователей. Это позволяет учесть индивидуальные предпочтения и вкусы каждого пользователя при формировании рекомендаций, что особенно важно для интернет-магазина, где персонализированный подход повышает вероятность успешных продаж;
2. Отсутствие необходимости в детальной информации о товарах: в отличие от контентной фильтрации, коллаборативная фильтрация не требует подробной информации о характеристиках товаров. Она ориентирована на анализ взаимодействий пользователей между собой и с товарами, что делает ее эффективной в случаях, когда точные характеристики товаров трудно определить;
3. Преодоление холодного старта: коллаборативная фильтрация обычно лучше справляется с проблемой холодного старта, чем другие методы, так как она основана на схожести пользователей или товаров, и новым товарам или пользователям присваиваются рекомендации на основе схожести с аналогичными элементами;
4. Участие пользовательского опыта: данные об оценках и взаимодействиях пользователей с товарами являются ценным источником для коллаборативной фильтрации. Участие пользовательского опыта в формировании рекомендаций способствует созданию более доверительного и интересного взаимодействия с интернет-магазином;
5. Легкость в развертывании: коллаборативная фильтрация, особенно с использованием методов памяти или модельных методов, обычно более легка в развертывании и не требует сложных вычислительных ресурсов в сравнении с некоторыми другими методами рекомендательных систем;
6. Способность к обработке разнообразных данных: коллаборативная фильтрация способна обрабатывать разнообразные типы взаимодействий, такие как оценки, покупки или просмотры, что делает ее универсальным и применимым к различным видам интернет-магазинов.

Выбор коллаборативной фильтрации для интернет-магазина предоставляет эффективный инструмент для создания персонализированных и высококачественных рекомендаций, что способствует улучшению пользовательского опыта и повышению конверсии.

В настоящее время, продолжается тестирование приложения. Оцениваются возможности его модернизации и масштабирования.

Список литературы:

1. О разработке рекомендательной системы, предлагающей книги по предпочтениям пользователя URL: https://cyberleninka.ru/article/n/o-razrabotke-rekomendatelnoy-sistemy-predlagayuschey-knigi-po-predpochteniyam-polzovatelya (дата обращения 13.10.2023)
2. Рекомендательные системы в контексте технологий больших данных, Кокачев Виктор Алексеевич URL: https://dspace.spbu.ru/bitstream/11701/12104/1/Kokachev_V.pdf (дата обращения 02.10.2023)