РЕАЛІЗАЦІЯ ГІБРИДНОГО МЕТОДУ ПОШУКУ БЛИЗЬКИХ ОБ’ЄКТІВ З УРАХУВАННЯМ ЗАГАЛЬНИХ ТА АКУСТИЧНИХ ХАРАКТЕРИСТИК
DOI:
https://doi.org/10.30837/ITSSI.2021.15.059Ключові слова:
аудіохарактеристики, рекомендаційна система, колаборативна фільтрація, контент орієнтований методАнотація
Предметом дослідження в статті є методи пошуку близьких об’єктів та технології формування рекомендацій. Метою статті є розробка рекомендаційної системи на основі гібридного методу пошуку об’єктів з урахуванням як переваг користувачів, так і аудіохарактеристик об’єктів. Вирішуються наступні завдання: аналіз методів та алгоритмів, що застосовуються в рекомендаційних системах; розробка гібридного методу формування рекомендацій за принципом подвійної організації; визначення основних функцій та архітектури системи формування музичних рекомендацій; тестування розрахункових алгоритмів та методів пошуку в системі для аналізу схожості музичних рекомендацій. Використовуються такі методи дослідження: методи кореляційного аналізу, методи теорії подібності, алгоритми колаборативної фільтрації та аналізу контенту, гібридні методи, методи аналізу аудіохарактеристик, технології програмування. Отримано наступні результати: Проведено дослідження методів колаборативної фільтрації, фільтрації на основі контенту та гібридних методів. Приведені алгоритми та розрахункові формули розглянутих методів. Розглянуті основні аудіохарактеристики музичних композицій. Розроблено метод формування рекомендацій за принципом подвійної організації. Перелічено основні функції системи формування музичних рекомендацій та сформовано діаграму компонентів. Приведено приклад обчислювання характеристик вподобань користувачів та схожості музичних композицій за аудіохарактеристиками. Висновки: За результатами тестування роботи системи трьома методами можна зробити висновок, що запропонований гібридний метод виявився найбільш ефективним серед досліджених рекомендаційних методів при найменшому показнику середньоквадратичної помилки. Крім того, гібридний метод за принципом подвійної організації вирішує такі проблеми існуючих рекомендаційних методів, як надмірна подібність рекомендацій, потенційно мала кількість або відсутність пропозицій взагалі за рахунок компенсації даних з одного блоку даними з іншого.
Посилання
Haidai, B., Artiukh, R., Malyeyeva, O. (2018), "Analysis and modelling the preferences of social networks users", Innovative Technologies and Scientific Solutions for Industries, No. 1 (3), P. 5–12. DOI: http://dx.doi.org/10.30837/2522-9818.2018.3.005
Aggarwal, C. C. (2017), Recommender Systems : The Textbook, Springer, New York, 498 p.
Miller, B. N., Konstan, J. A., Riedl, J. (2004) "PocketLens: toward a personal recommender system", ACM Transactions on Information Systems, Vol. 22, No. 3, P. 437–476.
Chalyy, S. F., Leshchynsʹkyy, V. O., Leshchynsʹka, I. O. (2018) "Modelyuvannya kontekstu v rekomendatsiynykh systemakh". Problems of information technologies, No. 23, P. 21–26. DOI: https://doi.org/10.35546/піт.v0i23.193
Malyeyeva, O., Nosova, N., Fedorovych, O., Kosenko, V. (2018) "The semantic network creation for an innovative project scope as a part of project knowledge ontology", CEUR Workshop Proceedings, P. 2362.
Martín, S. S., López-Catalán, B., Ramón-Jerónimo, M. A. (2012), "Factors determining firms’ perceived performance of mobile commerce", Industrial Management & Data Systems, No. 112, P. 946–963.
Meleshko, Е. V. Semenov, S. G. Khokh, V. D. (2018), "Doslidzhennya metodiv pobudovy rekomendatsiynykh system v merezhi internet", Control, Navigation and Communication Systems. Collection of Scientific Papers, No. 1 (47), P. 131–136. DOI: https://doi.org/10.26906/SUNZ.2018.1.131
Rohushyna, Yu. V. (2014), "Rozrobka metodiv formuvannya ta popovnenya ontolohichnoyi modeli semantichnoyi poshucovo-rekomenduyushoyi systemy", Engineering Software, No. 2 (18), P. 34–46.
Baltrunas, L., Ludwig, B., Peer, S., Ricci, F. (2011), "Context-Aware Places of Interest Recommendations for Mobile Users", Proceedings of the 14th International Conference on Human-Computer Interaction, Berlin: Springer, P. 531–540. DOI: https://doi.org/10.1007/978-3-642-21675-6_61
Baltrunas, L., Ludwig, B., Ricci, F. (2011), "Context Relevance Assessment for Recommender Systems", Proceedings of the 16th International Conference on Intelligent User Interfaces, New York : Association for Computing Machinery, P. 287–290. DOI: https://doi.org/10.1145/1943403.1943447
Xiaoyuan, Su, Taghi, M., Khoshgoftaar, A. (2009), "Survey of Collaborative Filtering Techniques A Survey of Collaborative Filtering Techniques", Advances in Artificial Intelligence Archive, Article ID 421425, 19 p. DOI: https://doi.org/10.1155/2009/421425
Herlocker, J. L., Konstan, J. A., Terveen, L. G. Riedl, J. T. (2004), "Evaluating collaborative filtering recommender systems", ACM Transactions on Information Systems (TOIS), Vol. 22, No. 1, P. 5–53.
Karypis, G. (2001), "Evaluation of item-based top-N recommendation algorithms", CIKM '01: Proceedings of the 10th international conference on Information and knowledge management, P. 247–254. DOI: https://doi.org/10.1145/502585.502627
Kucheruk, V. Yu., Hlushko, M. V. (2018), "Pokrashchennya alhorytmu "ITEM TO ITEM" metodu kolaboratyvnoyi filʹtratsiyi dlya rozrobky rekomendatsiynykh system na osnovi kosynusnoyi miry shlyakhom otsinky relevantnosti", Scientific Journal "ScienceRise", Vol. 1, No. 1 (42), P. 20–24. DOI: https://doi.org/10.15587/2313-8416.2018.120886
Malieieva, J., Kosenko, V., Malyeyeva, O., Svetlichnyj, D. (2019), "Creation of collaborative development environment in the system of distance learning", Innovative Technologies and Scientific Solutions for Industries, No. 2 (8), P. 62–71. DOI: https://doi.org/10.30837/2522-9818.2019.8.062
Miyahara, K., Pazzani, M. J. (2002), "Improvement of collaborative filtering with the simple Bayesian classifier", Semantic Scholar, Corpus ID: 16843019.
"Content-based book recommendation using learning for text categorization", available at : https://www.cs.utexas.edu/users/ml/papers/libra-sigir-wkshp-99.pdf
Sobhanam, H., Mariappan, A. K. (2013), "Addressing cold start problem in recommender systems using association rules and clustering technique", Proceedings of the International Conference on Computer Communication and Informatics (ICCCI- 2013), P. 402–411.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
