A Fuzzy Cold-Start Recommender System for Educational Trajectory Choice

封面

如何引用文章

全文:

详细

Several approaches to choosing an educational trajectory are considered, and the advantages of using recommender systems are determined. The cold start problem of recommender systems is formulated and solved by creating a hybrid recommender system that combines a rule-based fuzzy expert system and a recommender system with fuzzy collaborative filtering. As one application, the general approach is implemented for choosing the field of study when entering a higher education institution. A modification of Klimov’s career guidance test is used as initial data. The rules for estimating the metrics and similarity of fuzzy triangular data are presented. The algorithms of a fuzzy expert system and a fuzzy recommender system with collaborative filtering are described in terms of the fuzzy representation accepted. The two approaches are combined by generating pseudo data using an expert system. This provides a solution of the cold start problem and yields a recommender system whose quality is gradually improved by substituting the values from real user queries into the database. The programs implementing these algorithms are tested to confirm the effectiveness of the fuzzy recommender system.

作者简介

P. Golovinskii

Voronezh State Technical University

Email: golovinski@bk.ru
Voronezh, Russia

A. Shatalova

Voronezh State Technical University

Email: angelina.streltsova.93@mail.ru
Voronezh, Russia

参考

  1. Фальк К. Рекомендательные системы на практике. – М.: ДМК Пресс, 2020. – 448 с. [Falk, K. Practical Recommender Systems. – New York: Manning Publications, 2019. – 432 s.]
  2. Кутянин А.Р. Рекомендательные системы: обзор основных постановок и результатов // Интеллектуальные системы. Теория и приложения. – 2017. – Т. 21, № 4. – С.18–30. [Kutyanin, A.R. Recommender Systems: Overview of Main Statements and Results // Intelligent Systems. Theory and Applications. – 2017. – Vol. 21, no. 4. – P. 18–30. (In Russian)]
  3. Koren, Y., Bell, R., Volinsky, C. Matrix Factorization Techniques for Recommender Systems // Computer. – 2009. – Vol. 42, iss. 8. – P. 30–37.
  4. Noratiqah, M.A., Mohd, A.A., Nurul, F.R. Comparison between Content-Based and Collaborative Filtering Recommendation System for Movie Suggestions // AIP Conference Proceedings. – 2013. – doi: 10.1063/1.5054256.
  5. Ramlatchan, A., Yang, M., Liu, Q., et al. A Survey of Matrix Completion Methods for Recommendation Systems // Big Data Mining and Analytics. – 2018. – Vol. 1, no. 4. – P. 308–323.
  6. Sheng, B., Gengxin, S. Matrix Factorization Recommendation Algorithm Based on Multiple Social Relationships // Mathematical Problems in Engineering. – Vol. 2021. – Art. ID 6610645.
  7. Thakera, S., Nagori, V. Analysis of Fuzzification Process in Fuzzy Expert System // Procedia Computer Science. – 2018. – Vol. 132. – P. 1308–1316.
  8. Lucas, J.P., Laurent, A., Moreno, M.N., Teisseire, M. A Fuzzy Associative Classification Approach for Recommender Systems // International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. – 2012. – Vol. 20, no. 4. – P. 579–617.
  9. Zhang, Z., Lin, H., Liu, K., et al. A Hybrid Fuzzy-Based Personalized Recommender System for Telecom Products/Services // Information Sciences. – 2013. – Vol. 235. – P. 117–129.
  10. Rahman Siddiquee, M.M., Haider, N., Rahman, R.M. A Fuzzy Based Recommendation System with Collaborative Filtering // Proceedings of the 8th International Conference on Software, Knowledge, Information Management and Applications (SKIMA 2014). – Dhaka, 2014. – P. 1–8. – doi: 10.1109/SKIMA.2014.7083524
  11. Guangquan, L., Jiali, X., and Siyu, M. Learning Resource Recommendation Method Based on Fuzzy Logic // Journal of Engineering Science and Technology Review. – 2018. – Vol. 11, no. 4. – P. 146–153.
  12. Sundus, A., Usman, Q., Raheel, N. HCF-CRS: A Hybrid Content Based Fuzzy Conformal Recommender System for Providing Recommendations with Confidence // PLoS ONE. – 2018. – Vol. 13, no. 10. – Art. no. e0204849.
  13. Hamada, M., Ometere, A.L., Bridget, O.N., et al. A Fuzzy-Based Approach and Adaptive Genetic Algorithm in Multi-Criteria Recommender Systems // Advances in Science, Technology and Engineering Systems Journal. – 2019. – Vol. 4, no. 4. – P. 449–457.
  14. Calderon-Vilca, H., Chavez, N.M., Guimarey, J.M.R. Recommendation of Videogames with Fuzzy Logic // Proceedings of 27th Conference of Open Innovations Association (FRUCT). – Trento, 2020. – P. 27–37.
  15. Yang, Y., Zhang, Y. Collaborative Filtering Recommendation Model Based on Fuzzy Clustering Algorithm // AIP Conference Proceedings. – 2018. – Vol. 1967, iss. 1. – Art. no. 040050. – DOI: https://doi.org/10.1063/1.5039124.
  16. Lee, S. Fuzzy Clustering with Optimization for Collaborative Filtering-Based Recommender Systems // Journal of Ambient Intelligence and Humanized Computing. – 2022. – Vol. 13, no. 2. – P. 4189–4206.
  17. Comendador, B.E.V., Becbec, W.F.C., Guzman, J.R.P. Implementation of Fuzzy Logic Technique in a Decision Support Tool: Basis for Choosing Appropriate Career Path // International Journal of Machine Learning and Computing. – 2020. – Vol. 10, no. 2. – P. 339–345.
  18. Duan, L., Wang, W., Han, B. A Hybrid Recommendation System based on Fuzzy C-Means Clustering and Supervised Learning // KSII Transactions on Internet and Information Systems. – 2021. – Vol. 15, no. 7. – P. 2399–2413.
  19. Hasanzadeh, S., Fakhrahmad, S., Taheri, M. A Fuzzy Approach to Review-Based Recommendation: Design and Optimization of a Fuzzy Classification Scheme Based on Implicit Features of Textual Reviews // Iranian Journal of Fuzzy Systems. – 2021. – Vol. 18, iss. 6. – P. 83–99.
  20. Cui, C., Li, J., Zang, Z. Measuring Product Similarity with Hesitant Fuzzy Set for Recommendation // Mathematics. – 2021. – Vol, 9, iss. 21. – doi: 10.3390/math9212657.
  21. Chen, J., Lu, Y., Shang, F., Wang, Y. A Fuzzy Matrix Factor Recommendation Method with Forgetting Function and User Features // Applied Soft Computing. – 2021. – Vol. 100. – Art. no. 106910.
  22. Yin, M., Liu, Y., Zhou, X., Sun, G. A Fuzzy Clustering Based Collaborative Filtering Algorithm for Time-aware POI Recommendation // Journal of Physics: Conference Series. – 2021. – Vol. 1746. – Art. no. 012037. – doi: 10.1088/1742-6596/1746/1/012037.
  23. Jin, B., Liu, D., Li, L. Research on Social Recommendation Algorithm Based on Fuzzy Subjective Trust // Connection Science. – 2022. – Vol. 34, no.1. – P. 1540–1555.
  24. Malandri, L., Porcel, C., Xing, F., et al. Soft Computing for Recommender Systems and Sentiment Analysis // Applied Soft Computing. – 2022. – Vol. 118, no. 3. – Art. no. 108246. – DOI: https://doi.org/10.1016/j.asoc.2021.108246.
  25. Xin, Y., Henan, B., Jianmin, N. et al. Coating Matching Recommendation Based on Improved Fuzzy Comprehensive Evaluation and Collaborative Filtering Algorithm // Scientific Reports. – 2021. – Vol. 11. – Art. no. 14035.
  26. Dai, B., Chen, R.-C., Zhu, S.-Z., Huang, C.-Y. A Fuzzy Recommendation System for Daily Water Intake // Advances in Mechanical Engineering. – 2016. – Vol. 8, no. 5. – DOI: https://doi.org/10.1016/j.eswa.2020.113738.
  27. Liu, Y., Eckert, C.M., Earl, C. A Review of Fuzzy AHP Methods for Decision-Making with Subjective Judgements // Expert Systems with Applications. – 2020. – Vol. 161. – Art. no. 113738.
  28. Akbar, M.A., Khan, A.A., Huang, Z. Multicriteria Decision Making Taxonomy of Code Recommendation System Challenges: A Fuzzy-AHP Analysis // Information Technology and Management. – 2023. – Vol. 24. – P. 115–131.
  29. Теория управления (дополнительные главы): Учебное пособие / Под ред. Д.А. Новикова. – М.: ЛЕНАНД, 2019. – 552 с. [Teoriya upravleniya (dopolnitel’nye glavy). Uchebnoye posobiye. Ed. by D.A. Novikov. – M.: LENAND, 2019. – 552 s. (In Russian)]
  30. Беляева К.А. Сервис «Индивидуальная траектория студента» в личном кабинете студента iStudent.urfu.ru. Руководство пользователя. – Екатеринбург: УРФУ, 2016. [Belyaeva, K.A. Service «Individual Trajectory of the Student» in the Personal Account of the Student iStudent.urfu.ru. User Guide. – Yekaterinburg: URFU, 2016. (In Russian)]
  31. Арапова Е.А., Крамаров С.О., Сахарова Л.В. Разработка концепции интеллектуальной платформы для реализации индивидуальной траектории обучения с учетом базового уровня знаний и психотипа обучающегося // Вестник кибернетики. – 2022. – № 1 (45). – С. 6–15. [Arapova, E.A., Kramarov, S.O., Sakharova, L.V. Concept Development of an Intelligent Platform Aimed at Implementing an Individual Learning Path According to the Student’s Basic Level of Knowledge and Psychological Type // Proceedings in Cybernetics. – 2022. – No. 1 (45). – P. 6–15. (In Russian)]
  32. Куприянов Р.Б., Агранат Д.Л., Сулейманов Р.С. Использование технологий искусственного интеллекта для выстраивания индивидуальных образовательных траекторий обучающихся // Вестник Российского университета дружбы народов. Серия: Информатизация образования. – 2021. – Т. 18, № 1. – С. 27–35. [Kupriyanov, R.B., Agranat, D.L., Suleimanov, R.S. The Use of Artificial Intelligence Technologies for Building Individual Educational Trajectories of Students // Bulletin of the Peoples' Friendship University of Russia. Series: Informatization of education. – 2021. – Vol. 18, no. 1. – P. 27–35. (In Russian)]
  33. Guseva, A.I., Kireev, V.S., Bochkarev, P.V., et al. Scientific and Educational Recommender Systems. Information Technologies in Education of the XXI Century (ITE-XXI) // AIP Conf. Proc. – 2017. – Vol. 1797, iss. 1. – P. 2–11.
  34. Estrada, J.E., Bernabe, G.G., Lopez, J.S., Potestades, J.A. Model Development in Assessing the Career Path of Senior High School Students in Philippine Setting // International Journal of Information and Education Technology. – 2018. – Vol. 8. – P. 459–461.
  35. Khorasani, E.S., Zhenge, Z., Champaign, J. A Markov Chain Collaborative Filtering Model for Course Enrollment Recommendations // Proceedings of 2016 IEEE International Conference on Big Data. – Washington, DC, 2016. – P. 3484–3490.
  36. Kamal, A., Naushad, B., Rafiq, H., Tahzeeb, S. Smart Career Guidance System // Proceedings of 4th International Conference on Computing & Information Sciences (ICCIS). – Karachi, 2021. – P. 58–61.
  37. Ilahi, R., Widiaty, I., Abdullah, A.G. Fuzzy System Application in Education // IOP Conf. Series: Materials Science and Engineering. – 2018. – Vol. 434. – Art. no. 012308. – doi: 10.1088/1757-899X/434/1/012308.
  38. Selva Rani, B. and Ananda Kumar, S. Recommendation System for under Graduate Students Using FSES-TOPSIS // The International Journal of Electrical Engineering & Education. – 2019. – DOI: https://doi.org/10.1177/0020720919879385.
  39. Benilda, E.V., Comendador, W.F., Becbec, C., John, R.P. de Guzman. Implementation of Fuzzy Logic Technique in a Decision Support Tool: Basis for Choosing Appropriate Career Path // International Journal of Machine Learning and Computing. – 2020. – Vol. 10, no. 2. – P. 339–345. – doi: 10.18178/ijmlc.2020.10.2.940.
  40. Natividad, M.C.B, Gerardo, B.D., Medina, R.P. A Fuzzy-Based Career Recommender System for Senior High School Students in K to 12 Education // IOP Conference Series: Materials Science and Engineering. – 2019. – Vol. 482. – Art. no. 012025. – doi: 10.1088/1757-899x/482/1/012025.
  41. Qamhieh, M., Sammaneh, H., Demaidi, M.N. PCRS: Personalized Career-Path Recommender System for Engineering Students // IEEE Access. – 2020. – Vol. 8. – P. 214039–214049. – doi: 10.1109/ACCESS.2020.3040338.
  42. Hernandez, R., Atienza, R. Career Track Prediction Using Deep Learning Model Based on Discrete Series of Quantitative Classification // Applied Computer Science. – 2021. – Vol. 17, no. 4. – P. 55–74. – doi: 10.23743/acs-2021-29.
  43. Nghiem, T.L., Dinh, T.H., Nguyen, T.L. A Fuzzy Logic Approach to Career Orientation for Students: A Case Study in Human Resource Management // In: Global Changes and Sustainable Development in Asian Emerging Market Economies. Ed. By Nguyen, A.T., Hens, L. – Cham: Springer, 2022. – Vol. 1. – doi: 10.1007/978-3-030-81435-9_17.
  44. Климов Е.А. Психология профессионального самоопределения. – М.: «Академия», 2004. – 304 с. [Klimov, E.A. Psychology of Professional Self-determination. – M.: «Academy», 2004. – 304 p. (In Russian)]
  45. Pereira, A.L.V., Hruschka, E.R. Simultaneous Co-clustering and Learning to Address the Cold Start Problem in Recommender Systems // Knowledge-Based Systems. – 2015. – Vol. 82. – P. 11–19. – doi: 10.1016/j.knosys.2015.02.016
  46. Шаталова А.О., Головинский П.А. Нечеткая экспертная система оценки выбора профессии. Свидетельство о регистрации программы для ЭВМ № 2023662881 : заявл. 27.03.2023: зарег. 15.06.2023. [Shatalova, A.O., Golovinsky, P.A. Fuzzy Expert System for Assessing Career Choice. Certificate of registration of a computer program. № 2023662881: appl. 27.03.2023: reg. 15.06.2023. (In Russian)]
  47. Коротеев М.В., Терелянский П.В., Иванюк В.А. Арифметика нечетких чисел в обобщенно трапециевидной форме // Совр. матем. и ее приложения. – 2015. – P. 94–99. [Koroteev, M.V., Terelyansky, P.V., Ivanyuk, V.A. Arithmetic of Fuzzy Numbers in Generalized Trapezoidal Form // J. Math. Sci. – 2016. – Vol. 216. – P. 696–701.]
  48. Seresht, N.G., Fayek, A.R. Fuzzy Arithmetic Operations: Theory and Applications in Construction Engineering and Management: Theory and Applications // In: Fuzzy Hybrid Computing in Construction Engineering and Management. – Bingley: Emerald Publishing Limited, 2018. – P. 111–147. – doi: 10.1108/978-1-78743-868-220181003.
  49. Mahanta, J., Panda, S. Distance Measure for Pythagorean Fuzzy Sets with Varied Applications // Neural Computing and Application. – 2021. – No. 33. – P. 17161–17171.

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名 4.0国际许可协议的许可

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».