XVI Международная студенческая научная конференция Студенческий научный форум - 2024

Рекомендательные системы анализируют предпочтения пользователей и предсказывают, что может понравиться им в будущем. Их алгоритмы часто построены на основе машинного обучения: искусственный интеллект учится на выборе пользователя и предлагает ему все новые возможности взаимодействия.

Рекомендации активно используется в продажах, рекламе, мультимедийных сервисах. Интернет-магазины и витрины предлагают выбрать товар в таких разделах, как «популярное за месяц», «с этим товаром также покупают» и «вам может понравиться». Рекомендациями пользуются музыкальные и видеостриминги, чтобы собрать плейлист дня или посоветовать фильм на вечер. Медиа показывают материалы, которые могут понравиться пользователю, а социальные сети предлагают добавить в контакты новых друзей.

Рекомендательные системы помогают пользователю сориентироваться в многообразии товаров, особенно если это касается онлайн-магазина или агрегатора. Рекомендации системы помогают пользователю найти то, что нужно, с меньшими временными затратами, либо легко подобрать товары-аналоги или сопутствующие товары.

Формирование рекомендаций происходит так: алгоритму предоставляют информацию о товарах, пользователях и их взаимодействии, а он подбирает рекомендации. Например, пользователь посмотрел фильм в онлайн-кинотеатре, и алгоритм подбирает новое кино, опираясь на жанр, актеров, год выпуска, режиссера и предпочтения других пользователей, которые посмотрели тот же фильм.

Выделяют несколько разновидностей систем выдачи рекомендаций. Каждая из них представлена собственным набором алгоритмов и особенностями принятия решений.

1) Фильтрация на основании контента – это самый простой и очевидный способ определения предпочтений и интересов пользователя, основанный на предложении аналогов выбору пользователя: фильм аналогичного жанра, музыка выбранного исполнителя или других исполнителей выбранного музыкального направления и т.п. (рисунок 1)

Рисунок 1 – Схема рекомендации на основе контента

Достоинство данного подхода – простота и минимальные требования к ресурсам. Недостатком является малая вероятность приобретения аналога в случае дорогой покупки.

2) Коллаборативная фильтрация – это совместная деятельность нескольких сторон, предусматривающая выдачу рекомендаций в категориях, близких к приобретенному товару или услуге (сопутствующие товары).

3) Фильтрация на основе знаний – это самый сложный способ выдачи рекомендаций, предусматривающий максимальную детализацию запросов потенциального покупателя о характеристиках приобретаемого товара с целью сбора информации о его предпочтениях (рисунок 2). После получения значений характеристик по каждому товару система выдает рекомендации, которые наверняка будут представлять интерес для покупателя. Достоинством данной фильтрации является высокая эффективность этого способа, недостатками - сложность разрабатываемых алгоритмов и необходимость удерживать внимание пользователя в течение времени, которое требуется для указания запрашиваемых параметров.

Рисунок 2 – Схема работы системы, основанной на знаниях

4) Поскольку каждая из описанных выше рекомендательных систем имеет как существенные достоинства, так и не менее серьезные недостатки, то наибольшее распространение получили гибридные наборы алгоритмов, представляющие собой комбинацию из разных способов выдачи рекомендаций. При таком подходе к решению задачи особенно актуальным становится баланс между ними, поэтому целесообразно подобрать систему таким образом, чтобы наилучшим образом учесть достоинства разных систем и снизить влияние их недостатков.

Согласно этапов метода анализа иерархий задача выбора представляется в виде иерархии, на верхнем уровне которой располагается цель, а на нижнем альтернативы, среди которых нужно выбрать одну (или несколько) наиболее предпочтительных, рассчитав вектор глобальных приоритетов альтернатив. МАИ предполагает иерархическую процедуру парных сравнений объектов иерархии: сначала заполняется матрица парных сравнений критериев результатами сравнения их важности для достижения цели, а потом матрицы парных сравнений альтернатив по каждому из сформулированных критериев результатами сравнения пар альтернативных объектов.

После заполнения каждой матрицы проводится расчет вектора приоритетов, анализ компонентов которого позволяет определить наиболее предпочтительный объект иерархии. Иерархия выбора наиболее предпочтительной рекомендательной системы имеет следующий вид (рис. 3).

Рисунок 3 – Иерархия выбора метода

Альтернативами являются следующие виды систем:

1. Фильтрация на основе знаний

2. Фильтрация на основании контента

3. Коллаборативная фильтрация

4. Фильтрация на основании контента + Коллаборативная

5. Фильтрация на основе знаний + Коллаборативная

6. Фильтрация на основании контента + на основе знаний

Критериями выступают следующие функциональные характеристики рекомендательных систем:

1. Простота реализации / алгоритмов

2. Объем требуемых ресурсов

3. Вероятность повторной аналогичной покупки

4. Возможность выдачи рекомендаций по сопутствующим по отношению к приобретенным товарам

5. Возможность детализации запросов потенциального покупателя

6. Возможность сбора информации о его предпочтениях

7. Затрачиваемое время на работу с пользователем

На первом этапе было проведено парное сравнение критериев по отношению к цели для определения, что наиболее важно при выборе рекомендательной системы (варианта фильтрации), и расчет вектора локальных приоритетов критериев.

Таблица 1 – Матрица парных сравнений критериев

Выбор	К1	К2	К3	К4	К5	К6	К7	Вес
К1	1	3	1/4	1/2	4	2	1	0,115
К2	1/3	1	1/8	1/6	2	1/2	1/3	0,0414
К3	4	8	1	3	9	7	4	0,417
К4	2	6	0,333333	1	7	5	2	0,220
К5	1/4	0,5	0,111111	0,1428571	1	1/3	1/4	0,0284
К6	1/2	2	0,142857	0,2	3	1	1/2	0,0628
К7	1	3	0,25	0,5	4	2	1	0,115

Анализ вектора локальных приоритетов критериев показывает, что при выборе варианта фильтрации наиболее важными критериями являются Вероятность повторной аналогичной покупки и Возможность выдачи рекомендаций по сопутствующим по отношению к приобретенным товарам. Наименее значимым критерием является Возможность детализации запросов потенциального покупателя

Следующим этапом было заполнение матриц парных сравнений альтернатив по каждому из критериев для определения лучшей фильтрации по каждому из выбранных показателей сравнения.

Таблица 2 – Матрица парных сравнений фильтраций по первому критерию

К1	ФЗнан	ФКонте	КоллабФ	ФКонКол	ФЗнКолл	ФКонЗн	Вес
ФЗ	1	1/7	1/3	1/2	3	2	0,076
ФК	7	1	5	6	9	8	0,523
КФ	3	0,2	1	2	6	5	0,191
ФКК	2	0,166667	0,5	1	6	5	0,137
ФЗК	1/3	0,111111	0,166667	0,1666667	1	1/2	0,030
ФКЗ	1/2	0,125	0,2	0,2	2	1	0,043

По критерию Простота реализации / алгоритмов наилучшей альтернативой является Фильтрация на основании контента, а наихудшей - Фильтрация на основе знаний + Коллаборативная.

Таблица 3 – Матрица парных сравнений фильтраций по второму критерию

К2	ФЗ	ФК	КФ	ФКК	ФЗК	ФКЗ	Вес
ФЗ	1	1/6	1/3	1/2	2	1	0,071
ФК	6	1	4	5	8	6	0,490
КФ	3	0,25	1	2	6	3	0,200
ФКК	2	0,2	0,5	1	5	2	0,130
ФЗК	1/2	0,125	0,166667	0,2	1	1/2	0,037
ФКЗ	1	0,166667	0,333333	0,5	2	1	0,071

По критерию Объем требуемых ресурсов наилучшей альтернативой является Фильтрация на основании контента, а наихудшей - Фильтрация на основе знаний + Коллаборативная.

Таблица 4 – Матрица парных сравнений фильтраций по третьему критерию

К3	ФЗ	ФК	КФ	ФКК	ФЗК	ФКЗ	Вес
ФЗ	1	4	2	3	1/2	1/3	0,145
ФК	1/4	1	1/3	1/2	1/7	1/8	0,035
КФ	1/2	3	1	2	1/5	1/6	0,078
ФКК	1/3	2	0,5	1	1/6	1/7	0,051
ФЗК	2	7	5	6	1	1/2	0,281
ФКЗ	3	8	6	7	2	1	0,409

По критерию Вероятность повторной аналогичной покупки наилучшей альтернативой является Фильтрация на основании контента + на основе знаний. На втором месте по предпочтительности Фильтрация на основе знаний + Коллаборативная. Наихудшей является альтернатива Фильтрация на основании контента.

Таблица 5 – Матрица парных сравнений фильтраций по четвертому критерию

К4	ФЗ	ФК	КФ	ФКК	ФЗК	ФКЗ	Вес
ФЗ	1	2	1/4	1/3	1/5	2	0,072
ФК	1/2	1	1/7	1/6	1/8	1	0,038
КФ	4	7	1	2	1/2	7	0,272
ФКК	3	6	0,5	1	1/3	6	0,183
ФЗК	5	8	2	3	1	8	0,398
ФКЗ	1/2	1	0,142857	0,1666667	0,125	1	0,0388

По критерию Возможность выдачи рекомендаций по сопутствующим по отношению к приобретенным товарам наилучшей альтернативой является Фильтрация на основе знаний + Коллаборативная. На втором месте по предпочтительности Фильтрация на основании контента. Наихудшей является альтернатива Фильтрация на основании контента.

Таблица 6 – Матрица парных сравнений фильтраций по пятому критерию

К5	ФЗ	ФК	КФ	ФКК	ФЗК	ФКЗ	Вес
ФЗ	1	6	3	3	1/2	2	0,228
ФК	1/6	1	1/4	1/3	1/9	1/5	0,0308
КФ	1/3	4	1	1	1/6	1/2	0,0818
ФКК	1/3	3	1	1	1/6	1/2	0,078
ФЗК	2	9	6	6	1	5	0,4518
ФКЗ	1/2	5	2	2	0,2	1	0,132

По критерию Возможность детализации запросов потенциального покупателя наилучшей альтернативой является Фильтрация на основе знаний + Коллаборативная. На втором месте по предпочтительности Фильтрация на основе знаний. Наихудшей является альтернатива Фильтрация на основании контента.

Таблица 7 – Матрица парных сравнений фильтраций по шестому критерию

К6	ФЗ	ФК	КФ	ФКК	ФЗК	ФКЗ	Вес
ФЗ	1	6	3	2	1/2	1	0,200
ФК	1/6	1	1/4	1/5	1/8	1/6	0,029
КФ	1/3	4	1	1/2	1/6	1/3	0,071
ФКК	1/2	5	2	1	1/5	1/2	0,110
ФЗК	2	8	6	5	1	2	0,389
ФКЗ	1	6	3	2	0,5	1	0,200

По критерию Возможность сбора информации о его предпочтениях наилучшей альтернативой является Фильтрация на основе знаний + Коллаборативная. На втором месте по предпочтительности Фильтрация на основе знаний. Наихудшей является альтернатива Фильтрация на основании контента.

Таблица 8 – Матрица парных сравнений фильтраций по седьмому критерию

К7	ФЗ	ФК	КФ	ФКК	ФЗК	ФКЗ	Вес
ФЗ	1	1/7	1/4	1/5	1/3	1/2	0,040
ФК	7	1	4	3	4	6	0,433
КФ	4	0,25	1	1/2	2	3	0,146
ФКК	5	0,333333	2	1	3	4	0,225
ФЗК	3	0,25	0,5	0,3333333	1	2	0,097
ФКЗ	2	0,166667	0,333333	0,25	0,5	1	0,060

По критерию Затрачиваемое время на работу с пользователем наилучшей альтернативой является Фильтрация на основании контента. На втором месте по предпочтительности Фильтрация на основании контента + Коллаборативная.

Таблица 9 – Вектор глобальных приоритетов фильтраций

Подход	ФЗнан	ФКонте	КоллабФ	ФКонКол	ФЗнКолл	ФКонЗн
Вес	0,112	0,156	0,147	0,118	0,258	0,210

Таким образом, наиболее предпочтительным подходом является рекомендательная система, использующая в своей работе комбинацию фильтрации, основанной на знаниях и коллаборации. На втором месте по предпочтительности рекомендательная система с комбинацией фильтрации, основанной на знаниях и контексте.

Список литературы

1. Анатомия рекомендательных систем. Часть первая [Электронный ресурс]. – Режим доступа: https://habr.com/ru/companies/lanit/articles/420499/ (Дата обращения: 30.05.2024)

2. Рекомендательные системы: что это и как работает алгоритм рекомендаций [Электронный ресурс]. – Режим доступа: https://mindbox.ru/journal/education/rekomendatelnye-sistemy/ (Дата обращения: 30.05.2024)

3. Саати, Т. Принятие решений. Метод анализа иерархий: пер. с англ. [Текст] / Т. Саати. - М.: Радио и связь, 1993. - 278 с.

Код для цитирования: Скопировать