Dolgin.indb
Шрифт:
приложении 1, раздел 11.3.
190
ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ
высоко оценил веб-страницу, освещающую итоги кинофестиваля, вто-
рой в тех же целях изучил другой интернет-источник. Коллаборативная
фильтрация поклиентского типа ничего ценного отсюда не вылущит, а
вот анализ содержания покажет, что объекты сходны, и выявит связь
между пользователями.
Комбинации могут быть разными. Можно произвести расчеты в
рамках
единить предсказания. Можно встроить некоторые из контентных при-
нципов в коллаборативную методику, и наоборот181. Наконец, в рамках
гибридного подхода возможно построение единой рекомендательной
модели.182 Сложность, которая возникает в этом случае, заключается в
необходимости получения информации об объектах рекомендаций.
В таблице, составленной Адомявичусом и Тужилиным, дана клас-
сификация рекомендательных систем (см. ниже)183.
2.7.5. Эффективность и многомерность рекомендаций
Хотя эта проблема активно обсуждалась184, к однозначным выводам
специалисты пока не пришли. Вопрос об эффективности часто сводит-
ся к покрытию и точности. Покрытие – это количество товаров, для ко-
торых рекомендательная система способна выдать прогноз. Точность
181 Так, некоторые гибридные рекомендательные системы (в частности Fab) осно-
вываются на коллаборативной фильтрации, используя в дополнение контентные
профили пользователей. Последние необходимы для выявления близости между
клиентами, что позволяет решить проблему разреженности оценок.
182 Basu C., Hirsh H., Cohen W. Recommendation as Classifi cation: Using Social and Content-Based Information in Recommendation // Recommender Systems. Papers from 1998
Workshop, Technical Report WS-98-08, AAAI Press 1998; Popescul A., Ungar L. H., Pennock D. M., Lawrence S. Probabilistic Models for Unifi ed Collaborative and Content-Based Recommendation in Sparse-Data Environments // Proc. 17th Conf. Uncertainty in Artifi cial Intelligence, 2001; Schein A. I., Popescul A., Ungar L. H., Pennock D. M. Methods and Metrics for Cold-Start Recommendations // Proc. 25th Ann. Intl ACM SIGIR Conf., 2002.
183 Взято из обзора: Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions // IEEE
Transactions on Knowledge and Data Engineering, Vol. 17, № 6, June 2005.
184 Herlocker J. L., Konstan J. A., Borchers A., Riedl J. An Algorithmic Framework for Performing Collaborative Filtering // Proc. 22nd Ann. Intl ACM SIGIR Conf.
Research and Development in Information Retrieval (SIGIR ’99), 1999; Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating Collaborative Filtering Recommender Systems // ACM Transactions on Information Systems, Vol. 22, № 1, 2004. P. 5–53; Mooney R. J., Roy L. Content-Based Book Recommending Using Learning for Text Categorization // Proc. ACM SIGIR ’99 Workshop Recommender Systems: Algorithms and Evaluation, 1999; Yang Y., Padmanabhan B. On Evaluating Online Personalization //
Proc. Workshop Information Technology and Systems, December 2001. P. 35–41.
191
ЧАСТЬ 2.
Классификация рекомендательных методов185
Рекомендательные методы
подход
Эвристические Модельные
контентный
общепринятые методики
общепринятые методики
•
прямой частотности – обратной
• байесова
классификация
частотности
• кластеризация
• кластеризация
• дерево
решений
•
искусственные нейронные сети
примеры исследований
примеры исследований
• Lang
1995
•
Pazzani & Billsus 1997
•
Balabanovic & Shoham 1997
•
Mooney et al. 1998
•
Pazzani & Billsus 1997
• Mooney & Roy 1999
•
Billsus & Pazzani 1999, 2000
•
Zhang et al. 2002
коллаборативный общепринятые методики
общепринятые методики
• ближайший
сосед
• байесовы
сети
• кластеризация
• кластеризация
• теория
графов
•
искусственные нейронные сети
• линейная
регрессия
• вероятностные
модели
примеры исследований
примеры исследований
•
Resnick et al. 1994
•
Billsus & Pazzani 1998
•
Hill et al. 1995
•
Breese et al. 1998
•
Shardanand & Maes 1995
•
Ungar & Foster 1998
•
Breese et al. 1998
•
Chien & George 1999
•
Nakamura & Abe 1998
•
Getoor & Sahami 1999
•
Aggarwal et al. 1999
•
Pennock & Horwitz 1999
•
Delgado & Ishii 1999
•
Goldberg et al. 2001
•
Pennock & Horwitz 1999
•
Kumar et al. 2001
•
Sarwar et al. 2001
•
Pavlov & Pennock 2002
•
Shani et al. 2002
•
Yu et al. 2002, 2004
• Hofmann
2003,
2004
• Marlin
2003
•
Si & Jin 2003
гибридный
комбинированные контентные
комбинированные контентные
и коллаборативные методы
и коллаборативные методы
• линейной
последовательности
•
инкорпорирование одного элемента
предсказываемых оценок
в другой на основании модели
•
различных голосовательных схем