Методы построения гибридных рекомендательных систем

В. И. ФЕДОРЕНКО

Научные руководители – В. С.КИРЕЕВ, к. т.н., доцент
Национальный исследовательский ядерный университет «МИФИ»

МЕТОДЫ ПОСТРОЕНИЯ ГИБРИДНЫХ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

Одной из актуальных проблем является построение гибридных рекомендательных систем, так как среди существующих типов рекомендательных систем не существует такого типа, который работал бы лучше остальных во всех ситуациях. В данной работе рассмотрены методы построение гибридных рекомендательных систем и приведена их классификация.

Рекомендательная система – это информационная система, которая на основе данных о пользователях и объектах, строит рекомендации. Среди рекомендательных систем (РС) выделяют следующие типы: коллаборативная, основанная на содержимом, демографическая, и основанная на знаниях.

Главной проблемой коллаборативных РС является проблема холодного старта: неизвестно что рекомендовать новым пользователям и каким пользователям рекомендовать новые объекты [1]. Проблемой РС, основанных на содержимом, является сложность подбора метрик сходства объектов и построения векторного представления объектов. Основной проблемой демографических РС является недостаточная персонализированность: система не видит различий между пользователями, имеющими одинаковый набор характеристик [2]. Проблемой РС, основанных на знаниях является необходимость привлечения экспертов.

Каждая из типов РС обладает своими недостатками. Поэтому для построения эффективных РС используют гибридный подход, который заключается в алгоритмической композиции алгоритмов рекомендаций разных типов. Выделяют 7 стратегий построения гибридных РС [3]:

Взвешенная. Результирующее значение прогноза оценки пользователя новому объекту считается, как взвешенное среднее арифметическое оценок, спрогнозированных различными алгоритмами. При нормировке весов модели, получим следующую формулу для прогноза оценки j-ого объекта i-ым пользователем: Переключения. При данном подходе перед каждым построением рекомендации вычисляется значение некоторого критерия, на основе которого принимается решение рекомендации какого вида необходимо выдать. Смешанная. При смешанной стратегии блок рекомендаций попадает объединение рекомендаций, построенных разными алгоритмами. Комбинация признаков. При данной стратегии признаки собирают из различных источников (например, данные из социальных сетей), а потом объединяют с уже имеющимися признаками. Практика показывает, что добавление новых признаков часто помогает улучшить метрики качества рекомендаций. Каскадная. При каскадной стратегии происходит грубое ранжирование объектов по прогнозу оценки, вычисленной первым алгоритмом. Затем, первые n объектов, имеющие максимальные прогнозы оценок ранжируются вторым алгоритмом, из которых в блок рекомендаций попадают k (k≤n) объектов, имеющие максимальные прогнозы оценок, полученных вторым алгоритмом. Увеличение числа признаков. Данная стратегия похожа на каскадную стратегию, но отличается тем, что на вход второму алгоритму подаются результирующие значения первого алгоритма. Мета-обучение. Мета-обучение предполагает, что модель будет обучаться на выборке, признаками которой являются результаты работы различных алгоритмов.

Таким образом, перечисленные выше стратегии можно разделить на два класса: последовательные и параллельные. К параллельным стратегиям относят: взвешенную, смешанную, переключения и комбинацию признаков. К последовательным стратегиям относят: каскадную, увеличение числа признаков и мета-обучение.

Наиболее перспективным методом построения гибридных РС является мета-обучение, так как на сегодняшний день обучение модели на признаках, полученных в результате работы набора алгоритмов (стэкинг), даёт наилучшие результаты в прикладных задачах машинного обучения [4].

Список литературы

Gedikli F., Jannach D., Ge M. How should I explain? A comparison of different explanation types for recommender systems //International Journal of Human-Computer Studies. – 2014. – Т. 72. – №. 4. – С. 367-382. Chen L. Personality in Recommender Systems // Proceedings of the 3rd Workshop on Emotions and Personality in Personalized Systems 2015. – ACM, 2015. – С. 2-2. Le Hoang Son. HU-FCF plus plus: A novel hybrid method for the new user cold-start problem in recommender systems // Engineering Applications of Artificial Intelligence. – 2015. – Т. 41. – С. 207-222. Gray C. Method Stacking: Building Grounded Work Based Learning Models on a Mixed Foundation // Proceedings of the 13th European Conference on Research Methodology for Business and Management Studies: ECRM 2014. – Academic Conferences Limited, 2014. – С. 402.