Покращення алгоритму «item to item» методу колаборативної фільтрації для розробки рекомендаційних систем на основі косинусної міри шляхом оцінки релевантності

Autor

  • Vladimir Kucheruk Вінницький національний технічний університет Хмельницьке шосе, 95, м. Вінниця, Україна, 21021, Ukraine https://orcid.org/0000-0001-6665-9754
  • Mikhail Hlushko Вінницький національний технічний університет Хмельницьке шосе, 95, м. Вінниця, Україна, 21021, Ukraine https://orcid.org/0000-0001-6665-9754

DOI:

https://doi.org/10.15587/2313-8416.2018.120886

Słowa kluczowe:

кореляція, косинус, колаборативна, фільтрація, вектор, Танімото, user, ID, URL

Abstrakt

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

Biogramy autorów

Vladimir Kucheruk, Вінницький національний технічний університет Хмельницьке шосе, 95, м. Вінниця, Україна, 21021

Доктор технічних наук, професор, завідувач кафедри

Кафедра метрології та промислової автоматики

Mikhail Hlushko, Вінницький національний технічний університет Хмельницьке шосе, 95, м. Вінниця, Україна, 21021

Кафедра метрології та промислової автоматики

Bibliografia

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

##submission.downloads##

Opublikowane

2018-01-12

Numer

Dział

Technical Sciences