Особенности и типы рекомендательных систем

Рекомендательная система стремится наиболее точно предсказать предпочтения потребителя, предложив самый подходящий ему товар/услугу. Давайте рассмотрим особенности и основные виды таких систем.

В настоящее время рекомендательные системы встречаются повсеместно. По сути, почти любой серьезный интернет-магазин, новостной портал либо онлайн-кинотеатр применяет какую-нибудь рекомендательную систему, чтобы предоставить пользователям то, что им нужно.

Типы рекомендательных систем

Можно выделить 3 основных типа рекомендательных систем:

• фильтрация по популярности,
• фильтрация по содержанию,
• коллаборативная система.

Фильтрация по популярности

Самой простой является система, выдающая рекомендации на основании популярности (popularity-based recommender systems). Например, чем выше будет средний рейтинг фильма, прочитанной статьи либо купленного товара, тем выше вероятность, что рекомендательная система их порекомендует.

Главный плюс, конечно же, -- это простота. Но есть и главный минус -- предпочтения конкретного пользователя не учитываются.

Фильтрация по содержанию

Второй тип рекомендательных систем -- фильтрация по содержанию (content-based filtering). В этом случае алгоритм будет рекомендовать товары/услуги, похожие на те, которые пользователь выбирал ранее. К примеру, если в онлайн-кинотеатре вы выбрали фантастический фильм, то и в дальнейшем система станет рекомендовать фантастику. Кроме того, среди рекомендаций будут и фильмы, в которых снимаются те же актеры.

Такую рекомендательную систему реализовать тоже несложно, что, конечно же, плюс. Из минусов -- покупатели не попробуют новые товары/услуги.

Коллаборативная система

Коллаборативная фильтрация (collaborative filtering) основывается на сопоставлении пользователей и товаров/услуг/новостей и пр. Математически и графически работа осуществляется с матрицами предпочтений (user-item matrix).

Выделяют 2 вида коллаборативных систем:

1) user-based. Основаны на пользователях -- находят пользователей, близких по предпочтениям, и рекомендуют одному из пользователей то, что уже пробовал другой.

Векторы пользователей:

2) item-based. Основаны на предмете рекомендации, то есть сравнивается близость товаров/услуг. Если сопоставить эту систему с предыдущей, то здесь сходство определяется на основании предпочтений всех пользователей, оставивших свои оценки.

По материалам сайта https://www.dmitrymakarov.ru/intro/.