Электронный журнал открытого доступа Кардиометрия. Выпуск 16, Мая 2020

ной области активно ведутся и в наше время, что
главным образом обуславливается наличием нерешённых
проблем в существующих методах. Одним
из путей повышения точности рекомендательной
системы является расширение перечня используемой
при формировании рекомендаций информации,
в частности использование контекста.
Традиционная рекомендательная система имеет
дело с двумя видами сущностей: пользователь
и объект. Пользователь – это получатель рекомендации
и источник данных о предпочтениях, а
объект – в зависимости от предметной области –
товар, фильм, музыкальная композиция, журнал,
новость, интернет-сайт, то есть то, что рекомендуется
пользователю [2]. В общем виде задачу рекомендательной
системы можно сформулировать
как «определение объекта, ранее неизвестного
пользователю (или неиспользуемого им в течение
какого-либо промежутка времени), но полезного
или интересного ему в текущем контексте». Рекомендации
формируются отдельно для каждого
пользователя на основе его прошлой активности.
Также не меньшее значение имеет и поведение
остальных пользователей системы.
История развития рекомендательных
систем
Тема рекомендательных систем сравнительно
нова, но, несмотря на это, было проведено большое
количество исследований, опубликовано
множество работ и научных статей, разработано
большое количество алгоритмов. Рекомендательные
системы стали активно исследоваться в начале
девяностых годов ХХ века, т.е. с момента появления
первых разработок в области коллаборативной
фильтрации [1-3]. Сам термин “рекомендательные
системы на основе коллаборативной
фильтрации” был впервые использован Дэвидом
Голдбергом в 1992 году в статье «Using collaborative
filtering to weave an information tapestry» [4] в процессе
работы над рекомендательной системой
Tapestry для компании Xerox. Основой для работ
по фильтрации на основе контента можно считать
[5]. В последующие годы была написана одна
из фундаментальных работ в области рекомендательных
систем, также являющаяся справочником:
Recommender Systems Handbook [6]. Эта
книга систематизировала все разнообразие методов
и концепций, использующихся в рекомендательных
системах и относящихся к самым разным
областям знаний, таким как: анализ данных, статистика,
теория вероятностей, системы принятия
решений, маркетинг, и др. В книге также рассматриваются
практические подходы к построению
рекомендаций, применяемые в передовых корпорациях,
например, в Amazon, Google, AT&T.
Среди не менее важных для развития отрасли
рекомендательных систем работ можно выделить
рукопись Recommender Systems: The Textbook [7].
В ней приведены фундаментальные рекомендательные
алгоритмы и способы оценки их точности
и быстродействия. В работе детально рассматривается
применение рекомендательных систем
в широком диапазоне прикладных областей: социальных
системах, интернет торговле, поиске
необходимой информации и многих других. Помимо
этого, рассмотрены технические вопросы
создания рекомендательных систем: обеспечение
надежности и защиты информации, корректного
ранжирования результатов. В 2001 году была опубликована
рукопись, в которой рекомендательные
системы были впервые использованы для подбора
музыки. В музыкальных рекомендациях, как и
в других, прежде всего применяются стандартные
методы фильтрации, т.е. совместная фильтрация
или фильтрацию на основе контента [8]. Но кроме
них стоит обратить внимание на исследования
применения гибридных подходов [9] в создании
плейлистов, построении музыкальных социальных
сетей, тегировании.
Широкое практическое применение рекомендательные
системы получили не так давно, в конце
XX века, и связано это прежде всего с развитием
интернета. Но теоретический фундамент был
разработан задолго до этого, в конце 40-х - начале
50-х гг., и основывался на машинном обучении.
Прежде всего, в те годы были исследованы самообучающиеся
алгоритмы, разработана их математическая
основа и построены модели, которые по
сей день применяются в рекомендательных системах.
В конце ХХ века коллаборативная фильтрация
стала применяться как решение для борьбы
с избыточной информацией в вебе [10]. Tapestry
(экспериментальный почтовый сервис) [4] стал
одной из первых систем, использующих данный
подход: она позволяла пользователю создавать
вручную запросы, основанные на мнениях или
действиях других пользователей. Учитывая мне-
Выпуск 16. май 2020 | Cardiometry | 101