Покращення алгоритму «item to item» методу колаборативної фільтрації для розробки рекомендаційних систем на основі косинусної міри шляхом оцінки релевантності
DOI :
https://doi.org/10.15587/2313-8416.2018.120886Mots-clés :
кореляція, косинус, колаборативна, фільтрація, вектор, Танімото, user, ID, URLRésumé
Представлено аналіз результатів порівняння рекомендаційних систем на основі коефіцієнту кореляції Танімото у порівняння із алгоритмом «item to item» колаборативної фільтрації шляхом оцінки релевантності. Сформовані дані для досліджень у вигляді користувачів із унікальними ID. Алгоритм колабортивної фільтрації заснований на косинусній мірі, яка являє подібність предметів як косинус між векторами покупок в матриці користувачів та предметів
Références
Recommendation system (2016). Wikipedia. Available at: https://uk.wikipedia.org/wiki/Рекомендаційна_система
Collaborative filtration (2012). Habrahabr. Available at: https://habrahabr.ru/post/150399/
Slope One (2015). Available at: https://en.wikipedia.org/wiki/Slope_One
Su, X., Khoshgoftaar, T. M. (2009). A Survey of Collaborative Filtering Techniques. Advances in Artificial Intelligence, 2009, 1–19. doi: 10.1155/2009/421425
Gomzin, A. G., Korshunov, A. V. (2012). Systems of recommendations: an overview of modern approaches. Proceedings of the ISP RAS, 402–417. Available at: http://cyberleninka.ru/article/n/sistemy-rekomendatsiy-obzorsovremennyh-podhodov
Ghazanfar, M. A., Prugel-Bennett, A. (2010). Building Switching Hybrid Recommender System Using Machine Learning Classifiers and Collaborative Filtering. International Journal of Computer Science, 37 (3). Available at: http://www.iaeng.org/IJCS/issues_v37/issue_3/IJCS_37_3_09.pdf
Example ad (2017). Automoto. Available at: https://automoto.ua/uk/Mercedes-Benz-GLE-Class-2017-Khmelnytskyi-18044982.html
Linden, G., Smith, B., York, J. (2003). Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Computing, 7 (1), 76–80. doi: 10.1109/mic.2003.1167344
Hu, Y., Koren, Y., Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. 2008 Eighth IEEE International Conference on Data Mining. Pisa, 263–272. doi: 10.1109/icdm.2008.22
Sarwar, B. M., Karypis, G., Konstan, J. A. (2001). Item-based collaborative filtering recommendation algorithms. Proceedings of ACM WWW '01. Hong Kong, 285–295. doi: 10.1145/371920.372071
Karypis, G. (2001). Evaluation of object-based top-N algorithms. Proceedings of the tenth international conference on Information and knowledge management – CIKM'01. Atlanta, 247–254. doi: 10.1145/502624.502627
Glushko, M. V., Kucheruk, V. Yu., Mitkovsky, O. (2017). Improvement of the algorithm item to item method of collaborative filtration for the development of advisory systems by the assessment of relevance. Measurement, control and diagnostics in technical systems. Vinnitsa, 215. Available at: http://mpa.vntu.edu.ua/images/conference/conf2017/VCDTS%202017.pdf
Téléchargements
Publié-e
Numéro
Rubrique
Licence
(c) Tous droits réservés Vladimir Kucheruk, Mikhail Hlushko 2018
Cette œuvre est sous licence Creative Commons Attribution 4.0 International.
Our journal abides by the Creative Commons CC BY copyright rights and permissions for open access journals.
Authors, who are published in this journal, agree to the following conditions:
1. The authors reserve the right to authorship of the work and pass the first publication right of this work to the journal under the terms of a Creative Commons CC BY, which allows others to freely distribute the published research with the obligatory reference to the authors of the original work and the first publication of the work in this journal.
2. The authors have the right to conclude separate supplement agreements that relate to non-exclusive work distribution in the form in which it has been published by the journal (for example, to upload the work to the online storage of the journal or publish it as part of a monograph), provided that the reference to the first publication of the work in this journal is included.
