Порівняльний аналіз методів найближчих сусідів та матричної факторизації в рекомендаційних системах

Автор(и)

  • Oleg Chertov Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги, 37, Київ, Україна, 03056, Україна https://orcid.org/0000-0003-0087-1028
  • Armelle Brun Університет Лотарингії Campus scientifique, BP 239, Vandoeuvre-lès-Nancy Cedex, France, 54506, Україна
  • Anne Boyer Університет Лотарингії Campus scientifique, BP 239, Vandoeuvre-lès-Nancy Cedex, France, 54506, Україна https://orcid.org/0000-0001-5650-6295
  • Marharyta Aleksandrova Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги, 37, Київ, Україна, 03056 Університет Лотарингії Campus scientifique, BP 239, Vandoeuvre-lès-Nancy Cedex, France, 54506, Україна https://orcid.org/0000-0002-1863-0129

DOI:

https://doi.org/10.15587/1729-4061.2015.43074

Ключові слова:

колаборативна фільтрація, метод найближчих сусідів, матрична факторизація, інтерпретація латентних характеристик

Анотація

В статті описаний взаємозв’язок між двома методами колаборативної фільтрації: методом найближчих сусідів та методом матричної факторизації, які, зазвичай, представляються як протилежні. В даній роботі показано, що обидва підходи є взаємопов’язаними: процес оцінки рейтингів є схожим і, за певних умов, елементи, що використовуються обома підходами, мають високе значення взаємної кореляції, але не є ідентичними.

Біографії авторів

Oleg Chertov, Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги, 37, Київ, Україна, 03056

Доктор технічних наук, завідувач кафедри

Кафедра прикладної математики

Armelle Brun, Університет Лотарингії Campus scientifique, BP 239, Vandoeuvre-lès-Nancy Cedex, France, 54506

Доктор філософії, доцент

Дослідницька лабораторія Лотарингії в галузі інформаційних технологій та їх застосувань

Anne Boyer, Університет Лотарингії Campus scientifique, BP 239, Vandoeuvre-lès-Nancy Cedex, France, 54506

Доктор філософії, професор, голова дослідницької групи KIWI

Дослідницька лабораторія Лотарингії в галузі інформаційних технологій та їх застосувань

Marharyta Aleksandrova, Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги, 37, Київ, Україна, 03056 Університет Лотарингії Campus scientifique, BP 239, Vandoeuvre-lès-Nancy Cedex, France, 54506

Аспірантка

Кафедра прикладної математики

Дослідницька лабораторія Лотарингії в галузі інформаційних технологій та їх застосувань

Посилання

  1. Turner, V. The Digital Universe of Opportunities: Rich Data and the Increasing Value of the Internet of Things. IDC iView. Available at: http://www.emc.com/leadership/digital-universe/2014iview/digital-universe-of-opportunities-vernon-turner.htm
  2. Adomavicius, G., Tuzhilin, A. (2005). 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, 17 (6), 734–749. doi: 10.1109/tkde.2005.99
  3. Pazzani, M. J., Billsus, D. (2007). Content-based Recommendation Systems. The adaptive web, 4321, 325–341. doi: 10.1007/978-3-540-72079-9_10
  4. Schafer, J. B., Frankowski, D., Herlocker, J., Sen, S. (2007). Collaborative Filtering Recommender Systems. Lecture Notes in Computer Science, 4321, 291–324. doi: 10.1007/978-3-540-72079-9_9
  5. Burke, R. (2002). Hybrid Recommender Systems: Survey and Experiments. User modeling and user-adapted interaction, 12 (4), 331–370.
  6. Breese, J., Heckerman, D., Kadie, C. (1998). Empirical Analysis of Predictive Algorithms for Collaborative Filtering. Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence (UAI'98). 43–52.
  7. Koren, Y., Bell, R., Volinsky, C. (2009). Matrix Factorization Techniques for Recommender Systems. Computer, 42 (8), 30–37. doi: 10.1109/mc.2009.263
  8. Takacs, I., Pilaszy, I., Nemeth, B., Tikk, D. (2008). Matrix Factorization and Neighbor Based Algorithms for the Netflix Prize Problem. Proceedings of the 2008 ACM Conference on Recommender systems, 267–274. doi: 10.1145/1454008.1454049
  9. Shani, G., Gunawardana, A. (2011). Evaluating Recommendation Systems. Recommender Systems Handbook, 257–297. doi: 10.1007/978-0-387-85820-3_8
  10. Brun, A., Aleksandrova, M., Boyer, A. (2014). Can Latent Features be Interpreted as Users in Matrix Factorization-based Recommender Systems? 2014 IEEE/WIC/ACM International Joint Conferences on Web Intelligence (WI) and Intelligent Agent Technologies (IAT), 2, 226–233. doi: 10.1109/wi-iat.2014.102
  11. Aleksandrova, M., Brun, A., Boyer, A., Chertov, O. (2014). Search for User-related Features in Matrix Factorization-based Recommender Systems. European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML/PKDD 2014), PhD Session Proceedings, 1, 1–10.
  12. Pessiot, J. F., Truong, V., Usunier, N., Amini, M., Gallinari, P. (2006). Factorisation en Matrices Non-negatives pour le Filtrage Collaboratif. Proceedings of 3rd Conference en Recherche d'Information et Applications, 12.
  13. Zhang, S., Wang, W., Ford, J., Makedon, F. (2006). Learning from Incomplete Ratings Using Non-negative Matrix Factorization. Proceedings of the 6th SIAM Conference on Data Mining, 6, 548–552. doi: 10.1137/1.9781611972764.58
  14. Sarwar, B., Karypis, G., Konstan, J., Riedl, J. (2000). Application of Dimensionality Reduction in Recommender System a Case Study. (No. TR-00-043). Minnesota University Minneapolis Department of Computer Science, 15.
  15. Zhou, Y., Wilkinson, D., Schreiber, R., Pan, R. (2008). Large-scale Parallel Collaborative Filtering for the Netflix Prize. Algorithmic Aspects in Information and Management, 337–348. doi: 0.1007/978-3-540-68880-8_32
  16. Koren, Y. (2008). Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 426–434. doi: 10.1145/1401890.1401944
  17. Lee, D. D., Seung, H. S. (2001). Algorithms for Non-negative Matrix Factorization. Advances in Neural Information Processing Systems, 556‑562.
  18. Goldberg, D., Nichols, D., Oki, B., Terry, D. (1992). Using Collaborative Filtering to Weave an Information Tapestry. Communications of the ACM, 35 (12), 61–70. doi: 10.1145/138859.138867
  19. Boumaza, A., Brun, A. (2012). Stochastic Search for Global Neighbors Selection in Collaborative Filtering. Proceedings of the 27th Annual ACM Symposium on Applied Computing, 232–237. doi: 10.1145/2245276.2245322
  20. MovieLens Dataset GroupLens. Available at: http://grouplens.org/datasets/movielens/

##submission.downloads##

Опубліковано

2015-06-29

Як цитувати

Chertov, O., Brun, A., Boyer, A., & Aleksandrova, M. (2015). Порівняльний аналіз методів найближчих сусідів та матричної факторизації в рекомендаційних системах. Eastern-European Journal of Enterprise Technologies, 3(4(75), 4–9. https://doi.org/10.15587/1729-4061.2015.43074

Номер

Розділ

Математика та кібернетика - прикладні аспекти