СРАВНЕНИЕ МЕТОДОВ МАТРИЧНОЙ ФАКТОРИЗАЦИИ ДЛЯ ОБЪЕКТНО-ОРИЕНТИРОВАННЫХ РЕКОМЕНДАЦИЙ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Современные рекомендательные системы выходят за рамки классических задач персонализации, охватывая все более сложные сценарии взаимодействия между объектами. Одной из таких задач является построение взаимодополняющих рекомендаций, где стандартные пользовательские архитектуры оказываются недостаточно гибкими. Сравниваются два подхода к ее решению на основе методов матричной факторизации: с классическим обучением на матрице “пользователь-объект” с последующим введением ограничений на базе статистики совстречаемости и напрямую на матрице “объект-объект”, построенной по правилам временного совокупного действия. Анализируются пути преодоления ограничений традиционных методов и раскрываются перспективы применения новых стратегий в рамках различных типов данных и бизнес-задач.

Об авторах

М. А. Жарова

ФИЦ ИУ РАН

Автор, ответственный за переписку.
Email: zharova.ma@phystech.edu
Москва, Россия

В. И. Цурков

ФИЦ ИУ РАН

Email: v.tsurkov@frccsc.ru
Москва, Россия

Список литературы

  1. McAuley J., Pandey R., Leskovec J. Inferring Networks of Substitutable and Complementary Products // arXiv:1506.08839, 2015.
  2. Shi Y., Larson M., Hanjalic A. Attribute-Aware Recommender System Based on Collaborative Filtering: Survey and Classification // Frontiers in Big Data. 2020. V. 2. № 49.
  3. Deshpande M., Karypis G. Item-based top-N Recommendation Algorithms // ACM Transactions on Information Systems (TOIS). 2004. V. 22. № 1. P. 143–-177.
  4. Sinha L., Sinha N. Personalized Diversification of Complementary Recommendations with User Preference in Online Grocery // Frontiers in Big Data. 2023. V. 6.
  5. Rendle S., Krichene W., Zhang L., Anderson J. Neural Collaborative Filtering vs. Matrix Factorization Revisited // Proc. 14th ACM Conf. on Recommender Systems. Brazil, 2020. P. 240–248.
  6. Zharova M., Tsurkov V. Boosting Based Recommender System // J. Computer and Systems Sciences International. 2024. V. 63. P. 922–940.
  7. Zharova M., Tsurkov V. Neural Network Approaches for Recommender Systems // J. Computer and Systems Sciences International. 2024. V. 62. P. 1048–1062.
  8. Zhou Y., Wilkinson D., Schreiber R., Pan R. Large-Scale Parallel Collaborative Filtering for the Netflix Prize // Proc. Intern. Conf. on Algorithmic Applications in Management (AAIM). Shanghai, China, 2008. P. 337–348.
  9. Al-Nafjan A., Alrashoudi N., Alrasheed H. Recommendation System Algorithms on Location-Based Social Networks: Comparative Study // Information. 2022. V. 13. № 188.
  10. Guan X., Li C.-T. Enhanced SVD for Collaborative Filtering // Advances in Knowledge Discovery and Data Mining. 2016. V. 9652. P. 503–514
  11. Cacheda F., Carneiro V. Comparison of Collaborative Filtering Algorithms: Limitations of Current Techniques and Proposals for Scalable, High-performance Recommender Systems // ACM Transactions on the Web (TWEB). 2011. V. 5. № 1. P. 1–33.
  12. Hu Y., Koren Y., Volinsky C. Collaborative Filtering for Implicit Feedback Datasets // Proc. Intern. Conf. on Data Mining (ICDM). Pisa, Italy, 2008. P. 263–272
  13. McDonald G. C. Ridge Regression // Wiley Interdisciplinary Reviews: Computational Statistics. 2009. V. 1. № 1. P. 93–100.
  14. Имплементация ALS на Python // GitHub. Implicit: Webcite https://github.com/benfred/implicit (accessed: 10.07.2025).
  15. Tas K. On the Implicit Feedback Based Data Modeling Approaches for Recommendation Systems // Proc. Intern. Conf. on Electrical, Communication, and Computer Engineering (ICECCE). Kuala Lumpur, Malaysia, 2021. P. 1–6.
  16. Rendle S., Freudenthaler C., Gantner Z., Schmidt-Thieme L. BPR: Bayesian Personalized Ranking from Implicit Feedback // Proc. Conf. on Uncertainty in Artificial Intelligence. Montreal Quebec, Canada, 2009. P. 452–461.
  17. Zharova M., Tsurkov V. Using Negative Actions for Improving Quality of Recommender Systems // J. Computer and Systems Sciences International. 2025. V. 64. P. 132–148.
  18. Ding J., Yu G., He X., Li Y. Sampler Design for Bayesian Personalized Ranking by Leveraging View Data // arXiv:1809.08162, 2018.
  19. Kula M. Metadata Embeddings for User and Item Cold-start Recommendations // arXiv:1507.08439, 2018.
  20. Berisha F Addressing Cold Start in Recommender Systems with Neural Networks: A Literature Survey // Intern. J. of Computers and Applications. 2023. V. 45. P. 485–496.
  21. Zhang Z., Shi L., Zhou D.-X. Classification with Deep Neural Networks and Logistic Loss // J. Machine Learning Research (JMLR). 2024. V. 25. P. 1–117.
  22. Weston J., Bengio S., Usunier N. Scaling Up To Large Vocabulary Image Annotation // Proc. Intern. Joint Conf. on Artificial Intelligence. Barcelona, Spain, 2011. P. 2764–2770.
  23. Имплементация библиотеки LightFM // GitHub. LightFM: webcite https://github.com/lyst/lightfm (accessed: 10.07.2025).
  24. He X., Liao L., Zhang H., Nie L., Hu X., Chua T.-S. Neural Collaborative Filtering // Proc. Intern. Conf. on World Wide Web. Perth. Australia, 2017. P. 173–182.
  25. Hurtik P., Tomasiello S. Binary Cross-entropy with Dynamical Clipping // Neural Computing and Applications. 2022. V. 34. № 14. P. 12029–12041.
  26. Ayub M. An Effective Model for Jaccard Coefficient to Increase the Performance of Collaborative Filtering // Arabian J. for Science and Engineering. 2020. V. 45. P. 9997–10017.
  27. Lobo D. Association Rules: Normalizing the Lift // Proc. Intern. Conf. on Digital Information Management (ICDIM). Phitsanulok, Thailand, 2014. P. 151–155.
  28. Pellegrini R. Don’t Recommend the Obvious: Estimate Probability Ratios // Proc. ACM Recommender Systems Conf. (RecSys). Seattle, USA, 2022. P. 188–197.
  29. Chowdhury P. Evaluating the Effectiveness of Collaborative Filtering Similarity Measures: A Comprehensive Review // Procedia Computer Science. 2024. V. 235. P. 2641–2650.
  30. Li M. Modeling Personalized Representation for Within-Basket Recommendation // Expert Systems with Applications. 2022. V. 192. Iss. C.
  31. Имплементация Faiss для Python // GitHub. Faiss-wheels: webcite https://github.com/kyamagu/faiss-wheels (accessed: 10.07.2025).
  32. Douze M., Guzhva A., Deng C. The Faiss Library // arXiv:2401.08281, 2025.
  33. Amati G. BM25 // In Encyclopedia of Database Systems. Boston, MA: Springer, 2009. P. 257–260.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».