МОДЕЛЮВАННЯ ВИБОРУ КОРИСТУВАЧА В УМОВАХ ОБМЕЖЕНЬ ХОЛОДНОГО СТАРТУ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ
DOI:
https://doi.org/10.30837/bi.2019.1(92).03Ключові слова:
РЕКОМЕНДАЦІЙНА СИСТЕМА, ОБМЕЖЕННЯ, ПЕРСОНАЛІЗАЦІЯ РЕКОМЕНДАЦІЙ, ХОЛОДНИЙ СТАРТ, КОНТЕКСТ ВИБОРУ КОРИСТУВАЧААнотація
Розглянуто проблему підтримки вибору користувача в рекомендаційних системах з урахуванням обмежень, що виникають в умовах холодного старту. Виконано структуризацію даної проблеми та виділено такі аспекти холодного старту, як поява нового користувача, поява нового об’єкту інтересу споживача, зміна контексту вибору об’єктів користувачем, зміна інтересів споживачів з часом. Запропоновано орієнтовану на систему обмежень модель вибору об’єктів у нормальному режимі роботи рекомендаційної системи, а також орієнтовану на обмеження модель вибору об’єктів в умовах холодного старту. Обмеження у запропонованих моделях представлені у вигляді предикатів на змінних, що характеризують властивості споживачів та об’єктів їх інтересу, а також контекст вибору споживача. Перевага запропонованих моделей полягає у можливості обмежити вхідні дані, таким чином, щоб вони відповідали найбільш суттєвим закономірностям вибору споживачів у даному контексті на даному інтервалі часу, що дає можливість спростити побудову рекомендацій для нових споживачів і нових об’єктів. Запропоновано підхід до побудови рекомендацій в умовах обмежень холодного старту. Підхід передбачає формування обмежень на основі інтелектуального аналізу вхідних даних рекомендаційної системи, а також подальше використання цих обмежень при побудові рекомендацій в умовах холодного старту.
Посилання
Ricci F., Rokach L., Shapira B. Recommender systems. Handbook. - Second Edition. – 2015. – 1008 p.
Aggarwal C. Recommender systems: The Textbook. – New York: Springer. – 2017. – 498 p.
Bernardi L. et al. The Continuous cold start problem in e-commerce recommender systems // The Computing Research Repository (CoRR) in arXiv. – Vol. 1508.01177. – 2015. – P. 1-6.
Koren Y. Collaborative Filtering with Temporal Dynamics // International conference on knowledge discovery and Data Mining (ACM SIGKDD). – 2009. – P. 447-456.
Xiang L., Yuan Q. Temporal recommendation on graphs via long-and short-term prefence fusion // International Conference on Knowledge Discovery and Data Mining. – 2010. – P. 723-732.
Elahi M., Ricci F., Rubens N. A survey of active learning in collaborative filtering recommender systems // Computer Science Review. – 2016. – Vol. 20. – P. 29-50.
Lika B., Kolomvatsos K., Hadjiefthymiades S. Facing the cold start problem in recommender systems. // Expert Systems with Applications. – 2014. – Vol. 41(4). – P. 2065-2073.
Adomavicius G. et al. Incorporating contextual information in recommender systems using a multidimensional approach // ACM Transactions on Information Systems. – 2005. – Vol. 23(1). – P. 103–145.
Luo C., Cai X. Self-training Temporal Dynamics Collaborative Filtering // The Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD’14). – 2014. – P. 461-472.
Zhu Y. et al. Addressing the item cold-start problem by attribute-driven active learning // IEEE Transactions on Knowledge and Data Engineering. – 2019. – P. 1-14.
Chalyi S., Pribylnova I. The method of constructing recommendations online on the temporal dynamics of user interests using multilayer graph // EUREKA: Physics and Engineering. – 2019. – Vol. 3. – P. 13-19.
Junker U. QUICKXPLAIN: Preferred explanations and relaxations for overconstrained problems// Proceedings of the 19th National Conference on Artificial Intelligence (AAAI ’04). – 2004. – P. 167–172.
