АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОСТРОЕНИЯ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

В статье рассматриваются алгоритмы и технологии построения рекомендательной системы, связанной с системой машинного обучения для решения различных задач искусственного интеллекта. Представлен обзор алгоритмов современного машинного обучения для построения рекомендательных систем. Рекомендательные системы чаще используются в сфере маркетинга, онлайн продаж, телекоммуникаций, онлайн платформ телевизионного вещания. Рассмотрено использование подходов машинного обучения в рекомендательных системах, основанных на пользователях. Показано, что сегодня в сфере управления взаимоотношениями с клиентами существует потребность в автоматизированных процедурах прогнозирования будущих клиентов с использованием рекомендательных механизмов. Широко доступны функции для поиска «двойников», т. е. возможных клиентов, похожих на существующих клиентов, а также для просмотра списков клиентов, разделенных на такие категории, как местоположение или направление деятельности. Современные системы рекомендаций обычно создаются с использованием алгоритмов машинного обучения. Таким образом, интересно определить, какие алгоритмы машинного обучения лучше всего подходят для создания механизма рекомендаций, ориентированного на прогнозирование клиентов. Для построения интерфейса взаимодействия между пользователем в рекомендательных системах на основе алгоритмов машинного обучения используются современные веб-технологии и технологии баз данных для борьбы с информационной перегрузкой, такие как Django и PostgreSQL.

рекомендательные системы, алгоритмы машинного обучения, колаборативная фильтрация, нейронные сети, алгоритмы классификации, кластеризация

1. Agarwal B., Mittal, N. Text classification using machine learning methods-a survey. In Proceedings of the Second International Conference on Soft Computing for Problem Solving (SocProS 2012), December 28-30, 2012 (pp. 701-709). Springer, New Delhi.

2. Gediminas Adomavicius and Alexander Tuzhilin, Toward the next generation of recommender systems: A Survey of the state-of-the-art and Possible Extensions, IEEE Transactions on Knowledge and Data Engineering, , 2005, pp. 734-749.

3. Herlocker J.L., Konstan J.A., Terveen L.G. and Riedl J. Evaluating Collaborative Filtering Recommender Systems, ACM Transactions on Information Systems, 2004, pp 5-53.

4. James G., Witten D., Hastie T., Tibshirani R. An introduction to statistical learning (1st ed.). 2013. Springer.

5. Koren Y., Bell R., Volinsky K. Matrix factorization methods for recommender systems. 2009, Computer, 42(8), 30-37.

6. Michael D. Ekstrand, John T. Riedl and Joseph A. Konstan, Collaborative Filtering Recommender Systems, Foundations and Trends in Human Computer Interaction, vol. 4, 2011, pp 81-173.

7. Ruchika, A.V. Singh, Dolly Sharma. Evaluation Criteria for Measuring the Performance of Recommender Systems, 4th International Conference on Reliability, Infocom Technologies and Optimization, September 2-4, 2015, Noida, pp.462-467.

8. Sachin Walunj, Kishor Sadafale. An online Recommendation System for E-commerce Based On Apache Mahout Framework. SIGMIS-CPR. ACM, 2013, pp 153-158.

9. Said A, Bellogín A. Comparative Recommender System Evaluation: Benchmarking Recommendation Frameworks, Proceedings of the 8th ACM Conference on Recommender systems. 2014, pp. 129-136.

10.Thorat P. B., Goudar R. M., Barve, S. Survey on collaborative filtering, content-based filtering and hybrid recommendation system. International Journal of Computer Applications, 110(4), 2015, pp. 31-36.

11.Zhi-Dan Zhao, Ming-Sheng Shang, User-based Collaborative-Filtering Recommendation Algorithms on Hadoop, 3rd International Conference on Knowledge Discovery and Data Mining, 2010, pp. 478-481.

2026-03-17