Два алгоритма на основе техники стохастического градиентного спуска для рекомендательных систем

Рекомендательная система - это область машинного обучения, целью которой является создание алгоритмов для определения пользовательских предпочтений на базе известных оценок или поведения пользователя в прошлом при выборе или приобретении товаров. Применение таких систем в спорте, маркетинге и образовании имеет большое значение. Основной интерес применения таких систем в образовании состоит в улучшении методов оценивания студентов, состоящих в прогнозе, ответит ли студент правильно на следующий вопрос. Такие прогнозы могут помочь студенту правильно сориентироваться и определить ту область знаний, на которую следует обратить особое внимание. Заметим, что имеющиеся данные представлены в форме списка, а не в традиционной матричной форме, следовательно, стандартная техника факторизации здесь неприменима. При обработке данных, в которых большая часть значений целевой функции неизвестна и требует прогнозирования, хорошо себя зарекомендовали стохастические градиентные методы. В данной работе рассмотрена оптимизация таких наиболее значимых вариативных параметров, как количество факторов, параметры обучения и регулирования, число глобальных итераций. Исследования и эксперименты базируются на данных, которые использовались при проведении международных соревнований по анализу данных Grockit и Chess на платформе Kaggle.