Аналіз методів, моделей та алгоритмів персоналізації для розроблення рекомендаційних систем
DOI:
https://doi.org/10.15587/2313-8416.2018.152949Ключові слова:
персоналізація, методи, моделі, алгоритми та таксономія знань для рекомендаційних системАнотація
В статті досліджуються методи, моделі та алгоритми персоналізації в цифровому середовищі. Наведена загальна характеристика типів рекомендаційних систем, їх методи, моделі та алгоритми, переваги та недоліки застосування. В роботі запропоновано застосування таксономії знань для створення інтелектуального додатку персоналізації для підтримки прийняття маркетингових рішень для підприємств у цифровому середовищі. Виділено додаткові джерела даних для створення рекомендацій
Посилання
Kotler, F. (1990). Osnovy Marketinga [Basics of Marketing]. Moscow: Progress, 672.
Blackwell, R., Miniard, P., Engel, J. (2007). Povedenie potrebiteley [Consumer Behavior]. Saint Petersburg: Peter, 944.
Aleshina, I. V. (2006). Povedenie potrebiteley [Customer behaviour]. Moscow: Economist, 525.
Prokopenko, O. V., Troyan, M. Yu. (2008). Povedinka spozhivachiv [Consumer Behavior]. Kyiv: Tsentr uchbovoyi literatury, 176.
Kahneman, D., Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47 (2), 263–292. doi: http://doi.org/10.2307/1914185
Tversky, A., Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5 (4), 297–323. doi: http://doi.org/10.1007/bf00122574
Zhuravleva, G. P., Manokhina, N. V., Smagina, V. V. (Eds.) (2016). Povedencheskaya ekonomika: sovremennaya paradigma ekonomicheskogo razvitiya [Behavioral economics: the modern paradigm of economic development]. Moscow-Tambov: Izdatel'skiy dom TGU im. G. R. Derzhavina, 340.
Voronkova, O. V. (2012). Povedenye spozhyvachiv [Consumer Behavior]. Tambov: Yzd-vo FHBOU VPO «THTU», 84.
Linden, G., Smith, B., York, J. (2003). Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Computing, 7 (1), 76–80. doi: http://doi.org/10.1109/mic.2003.1167344
Amatriain, X., Basilico, J. (2012). Netflix Recommendations: Beyond the 5 stars (Part 1). Netflix Technology Blog. URL: https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-1-55838468f429
Corinna, U. (2018). Use Cases of Recommendation Systems in Business – Current Applications and Methods. Available at: https://emerj.com/ai-sector-overviews/use-cases-recommendation-systems/
Zlatyeva, D. (2016). Opyt personalizatsii kontenta v Le Boutique: kak intuitsiya pobezhdayet machine learning [The experience of personalizing content in Le Boutique: how intuition wins machine learning]. Available at: https://retailers.ua/news/tehnologii/5102-opyit-personalizatsii-kontenta-v-le-boutique-kak-intuitsiya-pobejdaet-machine-learning
Jones, M. T. (2014). Rekomendatel'nyye sistemy: Chast' 1. Vvedeniye v podkhody i algoritmy. Printsipy raboty rekomendatel'nykh mekhanizmov Interneta [Recommender systems, Part 1. Introduction to approaches and algorithms. How the Internet recommenders work]. IBM Corporation. Available at: https://www.ibm.com/developerworks/ru/library/os-recommender1/index.html
Tilahun, B., Awono, C., Batchakui, B. (2017). A Survey of State-of-the-art: Deep Learning Methods on Recommender System. International Journal of Computer Applications, 162 (10), 17–22. doi: http://doi.org/10.5120/ijca2017913361
Korbut, D. (2017). Recommendation System Algorithms. Main existing recommendation engines and how they work. Available at: https://statsbot.co/blog/recommendation-system-algorithms/
Chatti, M. A., Dakova, S., Thus, H., Schroeder, U. (2013). Tag-based collaborative filtering recommendation in personal learning environments. IEEE Transactions on Learning Technologies, 6 (4), 337–349. doi: http://doi.org/10.1109/tlt.2013.23
Pyatikop, E. E. (2013). Issledovaniye metoda kollaborativnoy fil'tratsii na osnove skhodstva elementov [The research of collaborative filtering method based on neighborhood elements]. Informatika, kíbernetika ta obchislyuval'na tekhníka, 109–114.
Machine Learning (8) – Recommender Engine: Collaborative Filtering (2015). Available at: oliviaklose.azurewebsites.net
Hofmann, T., Puzicha, J. (1999). Latent Class Models for Collaborative Filtering. IJCAI '99 Proceedings of the Sixteenth International Joint Conference on Artificial Intelligence. San Francisco: Morgan Kaufmann Publishers Inc., 688–693.
Langseth, H., Nielsen, T. D. (2012). A latent model for collaborative filtering. International Journal of Approximate Reasoning, 53 (4), 447–466. doi: http://doi.org/10.1016/j.ijar.2011.11.002
Shams, B., Haratizadeh, S. (2017). Graph-based collaborative ranking. Expert Systems with Applications, 67, 59–70. doi: http://doi.org/10.1016/j.eswa.2016.09.013
Swathi, S., Sreeja, D., Shelbi, J., Seetha, P. (2017). Various Methods of Using Content-Based Filtering Algorithm for Recommender Systems. International Journal of Innovative Research in Science, Engineering and Technology, 6 (2), 1606–1613.
Asanov, D. (2004). Algorithms and Methods in Recommender Systems. Berlin: Institute of Technology. Available at: https://www.snet.tu-berlin.de/fileadmin/fg220/courses/SS11/snet-project/recommender-systems_asanov.pdf
Lorenzi, F., Ricci, F. (2005). Case-based recommender systems: a unifying view. ITWP'03 Proceedings of the 2003 international conference on Intelligent Techniques for Web Personalization. Acapulco: Springer-Verlag, Berlin: Heidelberg, 89–113. doi: http://doi.org/10.1007/11577935_5
Marung, U., Theera-Umpon, N., Auephanwiriyakul, S. (2016). Top-N Recommender Systems Using Genetic Algorithm-Based Visual-Clustering Methods. MDPI Reference List and Citations Style Guide. Basel,
Feng, D. (2015). Utility-based Recommender Systems Using Implicit Utility and Genetic Algorithm. International Conference on Mechatronics, Electronic, Industrial and Control Engineering, 860–864. doi: http://doi.org/10.2991/meic-15.2015.197
Brusilovsky, P., Kobsa, A., Nejdl, W. (2007). The adaptive web: methods and strategies of web personalization. Heidelberg: Springer-Verlag Berlin, 762.
Dent, A. (2015). An In-Depth Look At Second-Party Data For Digital Marketers. Available at: https://marketingland.com/second-party-data-digital-marketers-128254
Sonntag, D. (2015). ISMAR Tutorial on Intelligent User Interfaces, Proceedings of ISMAR 2015. Related DFKI Technical Report.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2018 Yuliia Kotliarova
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons CC BY для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного 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.
