Электронный журнал открытого доступа Кардиометрия. Выпуск 16, Мая 2020

ких систем являются сильная зависимость от предметной
области, а также тот факт, что полезность
рекомендаций ограничена. Плюсами данного подхода
является то, что можно давать рекомендации
даже незнакомым пользователям, тем самым вовлекая
их в сервис, появляется возможность рекомендовать
те объекты, которые еще не были никем
оценены. К минусам можно отнести более низкую
точность, возросшую скорость разработки.
При коллаборативной фильтрации (совместная
фильтрация, collaborative filtering) используется
информация о поведении пользователей
в прошлом - например, информация о покупках
или оценках. Такие системы основаны на схожести
предпочтений пользователей. В этом случае не
имеет значения, с какими типами объектов ведётся
работа, но при этом могут учитываться неявные
характеристики, которые сложно было бы учесть
при создании профиля. Основное допущение метода
состоит в следующем: те, кто одинаково оценивали
какие-либо предметы в прошлом, склонны
давать похожие оценки другим предметам и в
будущем. Прогнозы составляются индивидуально
для каждого пользователя, хотя используемая
информация собрана от многих участников. Оба
варианта предсказывают, в какой степени пользователь
будет интересоваться объектами, которые
до сих пор не были им оценены [15-20].
Коллаборативная фильтрация, в свою очередь,
также разделяется на 2 основных подхода (типа):
1. user-based подход, т.е. «основанный на соседстве»
2. item-based подход, т.е. «основанный на модели»
User-based – исторически первый и реализуется
в большинстве систем. При применении userbased
для активного пользователя подбирается
группа пользователей схожих с ним. Для подбора
рекомендаций активному пользователю учитывается
комбинация весов и оценок группы. Для
этого каждому пользователю группы присваивается
вес с учётом схожести его оценок с оценками
активного пользователя. Пользователей, оценки
которых максимально приближены к оценкам активного
пользователя, объединяют в одну группу,
называемую соседней. С учетом оценок этих соседей
выполняется предсказание оценок активного
пользования и на этом основание система генерирует
рекомендации [15-20].
Item-based измеряет параметры статистических
моделей для оценок пользователей. Для построения
подобных моделей применяются различные
методы, наиболее распространенные из
которых следующие: кластеризация, байесовские
сети, построение латентной семантической модели,
марковский процесс принятия решений и прочие.
Модели разрабатываются с использованием
интеллектуального анализа данных, алгоритмов
машинного обучения, чтобы найти закономерности
на основе обучающих данных [15-20].
Подход item-based даёт более релевантные результаты,
так как глубже анализирует факторы,
объясняющие наблюдаемые оценки. Лучше, нежели
в user-based, обрабатываются разреженные
матрицы, что способствует масштабируемости
больших наборов данных. Но, при этом, имеется
вероятность потери полезной информации в связи
с сокращением моделей.
Основной проблемой коллаборативной фильтрации
является так называемая проблема «холодного
старта», т.е. фактическое отсутствие данных
о новых объектах или пользователях [15-20].
Новые предметы или пользователи представляют
большую проблему для рекомендательных систем.
Необходим высокий порог входа - не зная
ничего об интересах пользователя, рекомендации
практически бесполезны. В некоторой мере эту
проблему можно решить используя контентный
подход, который, как известно, использует атрибуты
вместо оценок. Помимо проблемы «холодного
старта», можно также отметить проблему,
связанную с неспособностью рекомендательной
системы отличать одинаковые предметы, имеющие
различные имена. Одинаковые предметы,
имеющие разные имена, называются синонимичными.
Большинство современных систем не способны
обнаружить скрытые связи между синонимичными
объектами. Интерес может вызвать
также проблема «белых ворон». «Белые вороны»
– это пользователи, имеющие непохожие вкусы,
их мнение всегда не совпадает с большинством
других. Соответственно, им невозможно что-либо
рекомендовать. Но необходимо отметить, что
проблемы таких пользователи исходят из реальной
жизни, поэтому назвать это проблемой рекомендательных
систем было бы не совсем корректно.
К плюсам коллаборативной фильтрации
можно отнести теоретически высокую точность.
Гибридные системы (hybrid) сочетают коллаборативную
и контентную фильтрацию, повышая
Выпуск 16. май 2020 | Cardiometry | 103