КОЛЛАБОРАТИВТІ ІРІКТЕУГЕ НЕГІЗДЕЛГЕН ЖАТТЫҒУЛАРДЫҢ ЖЕКЕ ҰСЫНЫМДАР ЖҮЙЕСІ

Бұл мақалада біз коллаборативті іріктеу арқылы жаттығу ұсынымдарының жеке жүйесін іске асырудың бірнеше тәсілдерін іріктеп қарастырамыз. Негізгі бағыттар таңдалып алынды, жадымен жұмыс істеуге негізделген сүзу, онда деректермен тікелей жұмыс істейміз және өзімізге қажетті байланыстарды бөліп тастауға тырысамыз.
Аталған Алгоритмдер тізіміне косинустық ұқсастықтар әдісі және Пирсон корреляция әдісі кіреді. Бірінші жағдайда біз әрбір пайдаланушыны n-өлшемді вектор ретінде аламыз, мұнда N-қарастырылатын жаттығулардың саны. Бұдан әрі екі нақты пайдаланушы арасындағы ұқсастықты олардың екі векторы арасындағы бұрыштың косинусы ретінде санаймыз. Бізге бұл тәсіл өте тиімді нәтиже берді, бірақ бос матрицаның жасушалары нәтижеге қатты әсер етті, өйткені бұл әдіс олармен нашар жұмыс істейді. Пирсон корреляциясы жағдайында юзерлер арасындағы оң немесе теріс трендтерді табуға және бос ұяшықтар үшін мәндерді болжау үшін пайдаланылатын корреляция коэффициентін есептеуге тырысамыз.
Мақаланың соңғы нәтижесі жоғарыда айтылған барлық әдістерді салыстырып, әр адамның артықшылықтары мен кемшіліктері туралы толық мағлұмат береді. Салыстыру RMSE және MAE сияқты метрикаларды есептеу арқылы жасалды.

1. Francesco Ricci and Lior Rokach and Bracha Shapira (2011), Introduction to Recommender Systems Handbook, 1-35

2. Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019), Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches, 101–109

3. He, Xiangnan; Liao, Lizi; Zhang, Hanwang; Nie, Liqiang; Hu, Xia; Chua, Tat-Seng (2017), Neural Collaborative Filtering,173–182

4. Fleder, Daniel; Hosanagar, Kartik (2009), Blockbuster Culture’s Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity, 697–712.

5. Shi, Yue; Larson, Martha; Hanjalic, Alan (2014), Collaborative filtering beyond the user-item matrix: A survey of the state of the art and future challenges, 1–45