МОДЕЛЮВАННЯ ВИБОРУ КОРИСТУВАЧА В УМОВАХ ОБМЕЖЕНЬ ХОЛОДНОГО СТАРТУ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ

Автор(и)

  • В. О. Лещинський Харківський національний університет радіоелектроніки, Україна
  • І. О. Лещинська Харківський національний університет радіоелектроніки, Україна

DOI:

https://doi.org/10.30837/bi.2019.1(92).03

Ключові слова:

РЕКОМЕНДАЦІЙНА СИСТЕМА, ОБМЕЖЕННЯ, ПЕРСОНАЛІЗАЦІЯ РЕКОМЕНДАЦІЙ, ХОЛОДНИЙ СТАРТ, КОНТЕКСТ ВИБОРУ КОРИСТУВАЧА

Анотація

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.

Біографії авторів

В. О. Лещинський, Харківський національний університет радіоелектроніки

доцент кафедри програмної інженерії

І. О. Лещинська, Харківський національний університет радіоелектроніки

доцент кафедри програмної інженерії

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.

##submission.downloads##

Опубліковано

2019-06-02