Название статьи:
Методы сравнения систем рекомендаций контента пользователям
Авторы: Шиленко А.В., магистрант, факультет программной инженерии и компьютерной техники, Национальный исследовательский университет ИТМО, г. Санкт-Петербург, Российская Федерация,
shilenkoalexander@gmail.com,
Олимпиев Н.В., магистрант, факультет программной инженерии и компьютерной техники, Национальный исследовательский университет ИТМО, г. Санкт-Петербург, Российская Федерация,
nikitaolimpiev97@gmail.com В рубрике:
РАЗДЕЛ 4. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
Год: 2022 Том: 4 Номер журнала: 2
Страницы: 191-200
Тип статьи: Научная статья
УДК: 004.9
Аннотация:
Работа посвящена исследованию методов оценки эффективности работы рекомендательных систем. Главным образом рассматривается гипотеза о важности и недооцененности проблемы выбора оптимального подхода при внедрении рекомендательной системы. Авторы решают проблему с помощью выделения метрик, показывающих результативность работы рекомендательных систем, и анализа методов оценки систем на примере разработки собственной системы рекомендации статей на платформе Node.js. В качестве основной причины возникновения проблемы авторы выделяют отсутствие универсальности методов оценки рекомендательных систем. В результате проведенного исследования с помощью метрик результативности подтверждена гипотеза о необходимости подбора метода реализации в зависимости от конкретной рекомендательной системы.
Ключевые слова: рекомендательная система, Item-Based Collaborative Filtering, MSE, MAE, RMSE, оценка модели
Список цитируемой литературы: - Анатомия рекомендательных систем. Часть первая // Крупнейший в Европе ресурс для IT-специалистов. - URL: https://habr.com/ru/company/lanit/blog/420499/ (дата обращения: 18.01.2022).
- Мовчан Д. В. Рекомендательная система для афиш / Д. В. мовчан // Наука, образование и культура. - 2017. - №1-16.
- What Content-Based Filtering is and Why You Should Use It // Upwork. - URL: https://www.upwork.com/resources/what-is-content-based-filtering (дата обращения: 18.01.2022).
- Collaborative Filtering // Google Developers. - URL: https://developers.google.com/machine-learning/recommendation/collaborative/basics (дата обращения: 18.01.2022).
- Анатомия рекомендательных систем. Часть первая [Электронный ресурс] // Крупнейший в Европе ресурс для IT-специалистов. - URL: https://habr.com/ru/company/lanit/blog/420499/ (дата обращения: 18.01.2022).
- Cosine similarity // Search for peer-reviewed journal articles and book chapters. - URL: https://www.sciencedirect.com/topics/computer-science/cosine-similarity/ (дата обращения: 18.01.2022).
- Average absolute deviation // Statistics How To. - URL: https://www.statisticshowto.com/average-deviation/ (дата обращения: 28.01.2022).
- Mean squared error // Wikipedia. - URL: https://en.wikipedia.org/wiki/Mean_squared_error (дата обращения: 18.01.2022).
- Root-mean-square deviation // Wikipedia. - URL: https://en.wikipedia.org/wiki/Root-mean-square_deviation (дата обращения: 18.02.2022).