НЕЙРОСЕТЕВЫЕ ПОДХОДЫ ДЛЯ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

Обложка

Цитировать

Полный текст

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

Аннотация

Рекомендательные системы – это специальные алгоритмы, которые позволяют пользователям получать персонализированные рекомендации по интересующим их темам. Системы такого рода широко используются в различных областях, например, в электронной коммерции, провайдерских сервисах, социальных сетях и т.д. Наряду с классическими подходами в последние годы в рекомендательных системах стали также популярны нейронные сети, которые постепенно вытесняют традиционные методы коллаборативной фильтрации и контент-базированные алгоритмы. Однако нейросети требуют больших вычислительных ресурсов, в связи с чем часто возникает вопрос: оправданно ли будет увеличение качества и будет ли оно вообще? Проведено исследование нейросетевого подхода в рекомендательных системах – а именно трансформерной модели SASRec из Microsoft Recommenders – и ее сравнение с классическим алгоритмом – гибридной моделью LightFM. Для обучения и валидации применяются данные, взятые из приложения по поиску жилья. В качестве основной метрики для сравнения предлагается использовать HitRate. Результаты экспериментов помогут понять, какие алгоритмы обладают более высокой точностью предсказаний и рекомендаций. Также в качестве дополнительной части рассматривается кластеризация эмбеддингов пользователей и объектов.

Об авторах

М. А. Жарова

МФТИ

Email: zharova.ma@phystech.edu
Россия, Долгопрудный

В. И. Цурков

ФИЦ ИУ РАН

Автор, ответственный за переписку.
Email: v.tsurkov@frccsc.ru
Россия, Москва

Список литературы

  1. Kang W.-Ch., McAuley J. Self-Attentive Sequential Recommendation // IEEE Intern. Conf. on Data Mining (ICDM). Singapore, 2018. P. 197–206.
  2. Имплементация модели SASRec на Python // GitHub. Microsoft recommenders : webcite https://github.com/microsoft/recommenders/tree/main/recommenders/models/sasrec (accessed: 22.04.2023).
  3. Kula M. Metadata Embeddings for User and Item Cold-start Recommendations // Proc. 2nd Workshop on New Trends on Content-Based Recommender Systems co-located with 9th ACM Conf. on Recommender Systems (RecSys). Vienna, Austria, 2015. P. 14–21.
  4. LightFM Documentation // LYST’s Engineering Blog : webcite https://making.lyst.com/lightfm/docs/home.html (accessed: 20.04.2023).
  5. Sineva I.S., Denisov V.Y., Galinova V.D. Building Recommender System for Media with High Content Update Rate // IEEE Intern. Conf. Quality Management, Transport and Information Security, Information Technologies. St. Petersburg, Russia, 2018. P. 385.
  6. Sudasinghe P. G. Enhancing Book Recommendation with the use of Reviews : Master’s Degree Programmes. Colombo, 2019. 54 p.
  7. Manotumruksa J., Yilmaz E. Sequential-Based Adversarial Optimisation for Personalised Top-N Item Recommendation // Proc. 43rd Intern. ACM SIGIR Conf. on Research and Development in Information Retrieval. Xi’an, China, 2020. P. 2045–2048.
  8. Tenney I., Das D., Pavlick E. BERT Rediscovers the Classical NLP Pipeline // Proc. 57th Annual Meeting of the Association for Computational Linguistics. Florence, Italy, 2019. P. 4593–4601.
  9. Bi J., Zhu Z., Meng Q. Transformer in Computer Vision // IEEE Intern. Conf. on Computer Science, Electronic Information Engineering and Intelligent Control Technology (CEI). Fuzhou, China, 2021. P. 178–188.
  10. Han K., Wang Y., Chen H., Chen X., Guo J., Liu Z., Tang Y., Xiao A., Xu C., Xu Y., Yang Z., Zhang Y., Tao D. A Survey on Vision Transformer // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. V. 45. № 1. P. 87–110.
  11. Schafer J.B., Frankowski D., Herlocker J., Sen Sh. Collaborative Filtering Recommender Systems // The Adaptive Web: Methods and Strategies of Web Personalization. Berlin, Germany, 2007. P. 291–324.
  12. Rosenthal E. Learning to Rank Sketchfab Models with LightFM https://www.ethanrosenthal.com/2016/11/07/implicit-mf-part-2/ (accessed: 20.04.2023).
  13. Patoulia A.A., Kiourtis A., Mavrogiorgou A., Kyriazis D. A Comparative Study of Collaborative Filtering in Product Recommendation // Emerging Science Journal. 2023. V. 7. № 1. 15 p.
  14. Polignano M., de Gemmis M., Semeraro G. Comparing Transformer-based NER approaches for analysing textual medical diagnoses // Proc. Working Notes of CLEF. Bucharest, Romania, 2021. V. 2936. P. 818–833.

Дополнительные файлы


© М.А. Жарова, В.И. Цурков, 2023