Дальнейшее развитие метода коллаборативной фильтрации
Развитие метода коллаборативной фильтрации направлено на улучшение качества рекомендаций и преодоление существующих ограничений. Одним из таких направлений развития является интеграция методов машинного обучения и глубокого обучения, что позволяет более эффективно обрабатывать большие объемы данных и выявлять сложные паттерны в предпочтениях пользователей. Например, нейронные сети могут учитывать в неявные оценки, которые сложно отследить. Все большую распространенность набирает использование контекстуальной информации, которая включает параметры, такие как время, местоположение или устройство, с которого пользователь взаимодействует с системой. Это позволяет создавать более персонализированные рекомендации, соответствующие конкретным условиям. В целом, проектирование рекомендательных систем является важным направлением в развитии технологий [9].
В рекомендательных системах основанных на коллаборативной фильтрации имеет место проблема холодного старта, когда новые пользователи или предметы не имеют достаточного количества данных. Для ее решения разрабатываются алгоритмы, использующие информацию из внешних источников и методы активного обучения. Дальнейшее развитие коллаборативной фильтрации направлено на создание более адаптивных и точных систем, способных эффективно работать в быстро меняющемся цифровом мире.
Заключение
Метод коллаборативной фильтрации уже нашел широкое применение в различных сферах, таких как онлайн-кинотеатры, электронная коммерция и музыкальные сервисы, демонстрируя свою эффективность в создании персонализированных рекомендаций. Однако, несмотря на достигнутые успехи, у этого метода есть значительный потенциал для дальнейшего развития. В будущем совместная фильтрация может значительно выиграть от внедрения новых технологий и подходов. Например, использование методов глубокого обучения позволит более точно моделировать сложные зависимости между пользователями и предметами, что приведет к более качественным рекомендациям. Кроме того, интеграция данных из различных источников, таких как социальные сети и внешние базы данных, может помочь в создании более полных профилей пользователей, что улучшит персонализацию.
Библиографический список
[1] Т. П. Новикова (Беляева) и С. А. Евдокимова, «Применение Алгоритма Совместной Фильтрации В Рекомендательных Системах», Череповецкий государственный университет, 2024, сс. 115–120. Просмотрено: 11 март 2025 г. [Онлайн]. Доступно на: https://elibrary.ru/item.asp?id=74587841
[2] Ма Чжаньцзюнь и М. Гао, «Стратегия Рекомендаций На Основе Коллаборативной Фильтрации Для Снижения Ложных Оценок», Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, 2023, сс. 74–77. Просмотрено: 12 март 2025 г. [Онлайн]. Доступно на: https://elibrary.ru/item.asp?id=55862871
[3] N. A. Fursin, «Application of Recommendation Systems in Commercial Activities», Молодежь. Общество. Современная Наука, Техника И Инновации, вып. 20, сс. 209–210, 2021.
[4] S. Ajmal, M. Awais, K. S. Khurshid, M. Shoaib, и A. Abdelrahman, «Data mining-based recommendation system using social networks-an analytical study», PeerJ Comput Sci, т. 9, с. e1202, 2023, doi: 10.7717/peerj-cs.1202.
[5] B. Drammeh и H. Li, «Enhancing neural collaborative filtering using hybrid feature selection for recommendation», PeerJ Comput Sci, т. 9, с. e1456, 2023, doi: 10.7717/peerj-cs.1456.
[6] Д. А. Третьяков, «Разработка рекомендательной системы на основе метода коллаборативной фильтрации с возможностью использования пользовательских модификаторов», представлено на НАУЧНОЕ ТВОРЧЕСТВО МОЛОДЕЖИ. МАТЕМАТИКА. ИНФОРМАТИКА, Анжеро-Судженск: Филиал Кемеровского государственного университета в г. Анжеро-Судженске, май 2015, сс. 54–57. Просмотрено: 11 март 2025 г. [Онлайн]. Доступно на: https://elibrary.ru/item.asp?id=32582957
[7] R. Alaa El-Deen Ahmed, M. Fernández-Veiga, и M. Gawich, «Neural Collaborative Filtering with Ontologies for Integrated Recommendation Systems», Sensors (Basel), т. 22, вып. 2, с. 700, янв. 2022, doi: 10.3390/s22020700.
[8] K. Ong, K.-W. Ng, и S.-C. Haw, «Neural matrix factorization++ based recommendation system», F1000Res, т. 10, с. 1079, 2021, doi: 10.12688/f1000research.73240.1.
[9] Д. С. Березиков и О. А. Бубарева, «Исследование и проектирование рекомендательной системы в области обработки больших данных», Южно-Сибирский Научный Вестник, вып. 5 (51), сс. 32–36, 2023, doi: 10.25699/SSSB.2023.51.5.003.