Перейти к основному содержанию

Моделирование и анализ данных
2020. Том 10. № 4. С. 5–16
https://doi.org/10.17759/mda.2020100401
ISSN: 2219-3758 / 2311-9454 (online)

Алгоритм машинного обучения для решения задачи формирования рекомендаций товаров и услуг

 
Аудио генерируется искусственным интеллектом
997

,

PDF (RUS)
GS
Информация
в Google Scholar
Метрики

Резюме

В статье предложен алгоритм машинного обучения без учителя для оценки наиболее возможных отношений между двумя элементами множеств клиентов и товаров/ услуг с целью для построения рекомендательной системы. Рассмотрены методы на основе коллаборативной фильтрации и фильтрации на основе содержания. Разработан комбинированный алгоритм выявления отношений на множествах, сочетающий достоинства анализируемых подходов. Оценена сложность алгоритма. Даны рекомендации по эффективной реализации алгоритма с целью уменьшения объема используемой памяти. На примере задачи рекомендаций книг показано применение данного комбинированного алгоритма. Данный алгоритм может использоваться для «холодного старта» рекомендательной системы, когда ещё не существует размеченных качественных выборок обучения более сложных моделей.

Общая информация

Ключевые слова: машинное обучение, обучение без учителя, рекомендательные системы, сходство объектов, отношение, множество

Рубрика издания: Анализ данных

OpenAlex цитирования: 0

OpenAlex тренды: Рекомендуемые системы и методы, Информационные системы и технологические приложения, Методы поиска и классификации изображений

Информация о публикации в OpenAlex

Количество цитирований: 0

Темы публикации

Рекомендуемые системы и методы

Этот кластер статей посвящен достижениям в технологиях рекомендательных систем, включая совместную фильтрацию, факторизацию матриц, глубокое обучение, рекомендации на основе контента, веб-майнинг, контекстно-зависимые рекомендательные системы, нейронные сети, моделирование пользователей и рекомендательные системы, основанные на доверии. Документы охватывают различные методы и методологии для повышения точности рекомендаций и решения таких проблем, как проблемы холодного запуска и проблемы конфиденциальности.

Количество публикаций: 74259  |  Общее количество цитирований: 1123302

Подробнее о теме в OpenAlex

Информационные системы и технологические приложения

Этот кластер статей посвящен основам, драйверам и бизнес-моделям управления корпоративным содержанием, включая такие темы, как управление информацией, машинное обучение, прогнозное моделирование, управление веб-содержанием, искусственный интеллект, сервисные системы, анализ больших данных и управление цифровыми документами.

Количество публикаций: 16253  |  Общее количество цитирований: 26702

Подробнее о теме в OpenAlex

Методы поиска и классификации изображений

Этот кластер статей фокусируется на сопоставлении форм, распознавании объектов и поиске изображений на основе содержимого с использованием таких методов, как локальные бинарные шаблоны, дескрипторы признаков и инвариантные вращению методы. Это также исследует применение этих методов в медицинском отображении, семантическом моделировании уместности и машинном обучении для аннотации изображения.

Количество публикаций: 77193  |  Общее количество цитирований: 1079480

Подробнее о теме в OpenAlex

Подробнее о публикации в OpenAlex

DOI: https://doi.org/10.17759/mda.2020100401

Опубликована

Для цитаты: Судаков, В.А., Трофимов, И.А. (2020). Алгоритм машинного обучения для решения задачи формирования рекомендаций товаров и услуг. Моделирование и анализ данных, 10(4), 5–16. https://doi.org/10.17759/mda.2020100401

© Судаков В.А., Трофимов И.А., 2020

Лицензия: CC BY-NC 4.0

Литература

  1. Melville P., Mooney R., Nagarajan R. Content-Boosted Collaborative Filtering for Improved Recommendations // University of Texas, USA : Материалы конф. / AAAI-02, Austin, TX, USA, 2002. – 2002. – pp. 187–192.
  2. Jannach D., Zanker M., Felfering A., Friedrich G. Recommender Systems: An Introduction. Cambridge University Press, 2010.
  3. Ricci F., Rokach L., Shapira B., Kantor P. Recommender Systems: Handbook. Springer, 2011.
  4. Linden G., Smith B., York J., com recommendations: item-to-item collaborative filtering // Internet Computing – IEEE 7 2003 – pp. 76–80.
  5. Melville P., Mooney R.J., Nagarajan R. Content-boosted collaborative filtering for improved recommendations // in Proceedings of the National Conference on Artificial Intelligence – 2002 – pp. 187–192.
  6. Белова К.М., Судаков В.А. Исследование эффективности методов оценки релевантности текстов // Препринты ИПМ им. М.В. Келдыша 2020. No 68. 16 с. http://doi.org/10.20948/ prepr-2020–68

Информация об авторах

Владимир Анатольевич Судаков, доктор технических наук, профессор кафедры 805, Московский авиационный институт (МАИ), ведущий научный сотрудник, Федеральное государственное учреждение «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (ИПМ им. М.В. Келдыша РАН), Москва, Российская Федерация, ORCID: https://orcid.org/0000-0002-1658-1941, e-mail: sudakov@ws-dss.com

Иван Александрович Трофимов, студент, Московский авиационный институт (МАИ), Москва, Российская Федерация, e-mail: trofimovc137@gmail.com

Метрики

 Просмотров web

За все время: 646
В прошлом месяце: 14
В текущем месяце: 9

 Скачиваний PDF

За все время: 351
В прошлом месяце: 6
В текущем месяце: 10

 Всего

За все время: 997
В прошлом месяце: 20
В текущем месяце: 19