Подход к разработке гибридных рекомендательных систем
Автор: Куренных Алексей Евгеньевич, Судаков Владимир Анатольевич
Журнал: Бюллетень науки и практики @bulletennauki
Рубрика: Технические науки
Статья в выпуске: 11 т.8, 2022 года.
Бесплатный доступ
В статье рассматривается актуальная научно-техническая задача разработки архитектуры гибридной рекомендательной системы, использующей знания о предметной области, элементы коллаборативного подхода, а также данные о контенте для более полного и точного анализа проблемной ситуации. Сформулированы и описаны группы критериев, которые реализуют каждый из указанных подходов. Основной новизной в подходе, предлагаемом авторами, является отказ от изначального ориентирования на определенную предметную область в пользу инвариантности. Такой подход обеспечивает более широкое применение разработки, снижает затраты на разработку, отладку и внедрение системы для конечного пользователя.
Рекомендательные системы, гибридный подход к выработке рекомендаций
Короткий адрес: https://sciup.org/14125985
IDR: 14125985 | DOI: 10.33619/2414-2948/84/46
Список литературы Подход к разработке гибридных рекомендательных систем
- Tarus J. K., Niu Z., Yousif A. A hybrid knowledge-based recommender system for e-learning based on ontology and sequential pattern mining // Future Generation Computer Systems. 2017. V. 72. P. 37-48.
- Walek B., Fojtik V. A hybrid recommender system for recommending relevant movies using an expert system // Expert Systems with Applications. 2020. V. 158. P. 113452.
- Kermany N. R., Alizadeh S. H. A hybrid multi-criteria recommender system using ontology and neuro-fuzzy techniques // Electronic Commerce Research and Applications. 2017. V. 21. P. 50-64.
- Paradarami T. K., Bastian N. D., Wightman J. L. A hybrid recommender system using artificial neural networks // Expert Systems with Applications. 2017. V. 83. P. 300-313.
- Mohammadpour T., Bidgoli A. M., Enayatifar R., Javadi H. H. S. Efficient clustering in collaborative filtering recommender system: Hybrid method based on genetic algorithm and gravitational emulation local search algorithm // Genomics. 2019. V. 111. №6. P. 1902-1912.
- Hernando A., Bobadilla J., Ortega F., Gutiérrez A. A probabilistic model for recommending to new cold-start non-registered users // Information Sciences. 2017. V. 376. P. 216-232.
- Natarajan S., Vairavasundaram S., Natarajan S., Gandomi A. H. Resolving data sparsity and cold start problem in collaborative filtering recommender system using linked open data // Expert Systems with Applications. 2020. V. 149. P. 113248.
- Herce-Zelaya J., Porcel C., Bernabé-Moreno J., Tejeda-Lorente A., Herrera-Viedma E. New technique to alleviate the cold start problem in recommender systems using information from social media and random decision forests // Information Sciences. 2020. V. 536. P. 156-170.