бря 2021 года. — Москва: Общество с ограниченной ответственностью «Издательство «Экон-Информ», 2021. — С. 31–34. — EDN RJYVED.

УДК 004

Метод сингулярного разложения в задачах прогнозирования пользовательского интереса при рекомендации товаров и услуг

Гордеев Дмитрий Владимирович

аспирант Российского государственного социального университета

Аннотация: В статье рассмотрены основные методы построения рекомендательных систем, а также даны определения основных подходов в построении рекомендательных систем. Рассматривается задача коллаборативной фильтрации в условиях высокой размерности и сильной разреженности данных. Для решения этой задачи предлагается использовать математическую технику факторизации матриц низкого ранга.

Abstract: The basic methods of building recommender systems are considered in the article. Definitions of the basic approaches in building recommender systems are also given. The problem of collaborative filtering in conditions of high dimensionality and strong data sparsity is considered. To solve this problem, it is proposed to use the mathematical technique of low rank matrices factorization.

Ключевые слова: рекомендательные система, коллаборативная фильтрация, контентная фильтрация, матричная факторизация, прогнозирование.

Keywords: recommendation systems, collaborative filtering, content-based filtering, matrix factorization, precision.

Рекомендательные системы — совокупность математических методов и программных сервисов, анализирующих тенденции и предпочтения отдельных людей (клиента, потребителя, пользователя) и пытаются предсказать, что их заинтересует.

Целью данных систем является предсказывание предпочтений потребителя с максимальной точностью и формирование для него персональных предложений, наиболее подходящих товаров или услуг.

Информационные технологии

Рекомендательные системы широко применяются в современном мире. Использование данного класса систем можно встретить при рекомендации книг, кинофильмов, музыкальных композиций, товаров и продуктов и т.д. Имея различные области применения и назначения, рекомендательные системы можно разделять по различным параметрам: цели, предмету, степени персонализации.

Так, если рекомендательная система формирует предложения контента (фильмы, книги, новости и т.п.), то основной целью данной системы является привлечь пользователя к потреблению новой информации. В данном случае, предложение основано, как на действиях самого пользователя, так и на новизне, различных оценках и популярности данного контента у других пользователей.

При рекомендации потребителю купить товары, например повседневного спроса система имеет иные задачи, а именно не только предложить новые товары, учитывая контекстные действия потребителя, но и «подсветить» часто покупаемые, основываясь на его истории потребления. Тут основные цели системы — повысить средний чек, расширить корзину потребления и лояльность потребителя.

Рекомендательные системы предоставляют ряд преимуществ для потребителя и поставщика товаров/услуг. Для потребителя это в первую очередь представление рекомендаций по товарам/услугам, которые потенциально могли бы вызвать у него интерес и могли бы быть ему полезны исходя из анализа его потреблений и предпочтений. Поставщик услуг/ товаров также имеет ряд преимуществ:

1.Увеличение количества продаж. Одна из важных причин внедрения

ирекомендательной системы. Как следствие использования такого класса интеллектуальной системы является повышение коэффициента конверсии потребителей.

2.Продвижение товаров/услуг. Продажа разнообразного товара. Благодаря рекомендательной системе происходит продвижения товаров

иуслуг, которые могли бы остаться не замеченные потребителями.

3.Перекрестные продажи. Рекомендательные системы при продвижении товара предлагают «сопутствующие» товары/услуги, которые связанны с купленным товаром/услугой.

4.Повышение лояльности. Потребители работают с теми платформами/ магазинами, где качественный и удобный сервис, а также, где присутствуют релевантные предложения и были удовлетворены их потребности.

5.Данные для проведения анализа потребительского спроса.

От поставленных целей, задач и требуемых характеристик зависит вы-

бор одного из подходов в реализации рекомендательной системы. Основные методики построения рекомендательных систем Можно выделить несколько основных подходов при построении реко-

мендательной системы: контентно-ориентированная и коллаборативная фильтрация.

Контекстно-ориентированная

Контекстно-ориентированный подход основывается на предположении, что потребителю интересны те товары, которые похожи на товары, приобретенные им ранее [4,2]. Схожесть товаров определяется на основе признаков, характеризующих товар. Ярким примером рекомендательной системы, основанной на контекстно-ориентированном подходе, является система рекомендации фильмов в онлайн кинотеатре. В данном случае система ищет сходства между фильмами основываясь на следующих признака, описывающих фильм: жанр, режиссер, актеры, киностудия, год и т.д. Данный подход является достаточно простой и хорошо решает определенный круг задач. Основная трудность данном подходе это выделение признаков характеризующий объект.

Коллаборативная фильтрация

Основная идея рекомендательных систем, основанных на подходе коллаборативной фильтрации, заключается в использовании так называемого «группового интеллекта». На основе анализа накопленных данных система рекомендует те продукты, которыми уже интересовалась группа пользователей с похожими интересами, а данный пользователь пока еще нет. Суть метода в нахождении отношений между пользователями или товара-

Информационные технологии

ми (элементами) [3]. Вначале находятся сходства пользователей на основе данных о предпочтениях по элементам. Далее рекомендации даются на основе похожих пользователей.

В основе коллабаративной фильтрации лежит матрица предпочтений (user-item matrix) — сопоставлении пользователей и товаров (или услуг, новостей и т.д.).

Рисунок 1. Матрица предпочтений

В коллаборативной фильтрации выделяют два подхода: на основе пользователя и на основе продукта (элемента).

На основе пользователя

Данный подход формирует предложения пользователю на основании предпочтений группы пользователей схожих своими вкусами с рассматриваемым. На первом шаге, на основе данных о предпочтениях и интересах, определяется множество пользователей, которые схожи по предпочтениям и интересам с рассматриваемым пользователем. На втором шаге, у группы схожих пользователей отфильтровываются те предпочтительные элементы, но еще не были у рассматриваемого пользователя. Далее, эти элементы рекомендуются рассматриваемому пользователю.

Точность рекомендации напрямую зависит от полноты и богатства признаков в наборе данных. Как попутный результат, коллаборативная фильтрация на основе пользователя неявно выявляет отношение между рекомендованными товарами и предпочтениями пользователя.

На основе продукта (элемента)

В отличии от коллаборативной фильтрации на основе пользователя, данный метод ищет сходство в элементах, а затем рекомендует похожие элементы на основе существующего выбора пользователя. В частности, на первом шаге, коллаборативная фильтрация на основе элемента вычисляет сходство между элементами в соответствии с данными о поведении пользователя, а затем генерирует список рекомендации для целевого пользователя на основе сходства элементов и поведения пользователя [9].

Исходя из сути метода коллаборативной фильтрации на основе продукта, данный метод не требует от новых пользователей данных об их интересах. Как только пользователь выберет тот или другой продукт в системе, то можно сразу же рекомендовать продукты, которые похожи на выбранный. Данный метод быстро реагирует на поведение пользователя, т.е. новый выбор (не похожий на ранее сделанный выбор) пользователя приведет к изменению рекомендации в реальном времени. Однако точно точность метода коллаборативной фильтрации на основе продукта ниже, чем у метода коллаборативной фильтрации на основе пользователя поскольку первый не учитывает отличий в интересах разных пользователей [1,8].

Постановка задачи прогнозирования пользовательского интереса Расчет коэффициентов сходства товаров с товарами, которые пользо-

ватель ранее приобрел есть не что иное, как прогнозирование пользовательского интереса. Таким образом, задачу прогнозирования пользовательского интереса можно сформулировать следующим образом.

Информационные технологии

личные алгоритмы, которые используется во многих рекомендательных системах.

В том случае, если ранг матрицы больше k, то приближением ранка k

представлен способ матричного приближения для определенного ранга k матрицы R. Данный способ относится к латентным методам на основе сингулярного разложения матрицы .

Алгоритм сингулярного разложения (singular value decomposition — SVD) – данный алгоритм основан на решении оптимизационной задачи,

Список литературы

1.Клюквин Р.В., Белов Ю. С. Использование косинуса схожести в рекомендательных системах на основе коллаборативнои фильтрации // Электронныи журнал: наука, техника и образование. 2017. № 2 (12). С. 131–136.

2.Barsegyan A.A. [et al.]. Data analysis technologies: DataMining, VisualMining, TextMining, OLAP [In Russian]. Moscow: BHV-Petersburg‖Publ.; 2007.

3.Bokde D., Girase S., Mukhopadhyay D. Matrix factorization model in collaborative filtering algorithms: A survey, Procedia Computer Science 2015; 49: 136–146.

4.Chubakova I. A. Data Mining [In Russian]. Moscow: Binom‖ Publ.; 2008.

5.Cremonesi P., Koren Y., Turrin R. Performance of recommender algorithms on top-n recommendation tasks. RecSys 2010.

6.Introduction to recommendation engine. — https://dataaspirant. com/2015/01/24.

7.Nee D. Collaborative filtering using alternating least squares. — http://danielnee.com/art/1999.

8.Shams B., Haratizadeh S. Graph-based collaborative ranking // Expert Syst. Appl., 2017, vol. 67, no. C, pp. 59–70.

9.Wang Q., Zhang T., Rong Z. Collaborative Filtering Similarity Algorithm Using Common Items// WHICEB, 2017, vol. 16.