Современные направления исследований в области рекомендательных систем

Обложка

Цитировать

Полный текст

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

Аннотация

Постоянный рост объема генерируемого электронными сервисами контента вызвал проблему поиска необходимой информации за ограниченное время. Рекомендательные системы являются полезным инструментом, который в том числе решает задачу ускорения поиска необходимой информации. Веб-приложения широко применяют рекомендательные системы для предоставления пользователям подходящего контента в зависимости от их предпочтений или интересов, упрощая тем самым доступ пользователей к искомой информации. При этом наличие бизнес-эффекта от внедрения такого рода систем также показывает важность их разработки и эксплуатации, но в то же время остается открытым вопрос степени влияния алгоритмических улучшений систем рекомендаций на целевые метрики бизнеса. В различных предметных областях (рекомендации музыки, книг, видеоконтента, рекомендации товаров в интернет-магазинах и маркетплейсех и т.д.) используются различные типы рекомендательных систем, в основе которых лежит широкий спектр технологий, в том числе моделей машинного обучения и вычислительных алгоритмов. Целью работы является определение основных современных направлений исследований в области рекомендательных систем, а также описание нерешенных задач и проблем области.

Об авторах

Игорь Александрович Денисенко

Финансовый университет при Правительстве Российской Федерации

Email: iadenisenko2020@edu.fa.ru
аспирант, департамент анализа данных и машинного обучения Москва, Российская Федерация

Список литературы

  1. Dacrema, M. F., Cremonesi, P., & Jannach, D. (2019). Are we really making much progress? A worrying analysis of recent neural recommendation approaches. Proceedings of the 13th ACM Conference on Recommender Systems. doi: 10.1145/3298689. (https://doi.org/10.1145/3298689.3347058)
  2. Ekstrand, M. D., Harper, F. M., Willemsen, M. C., & Konstan, J. A. (2014). User perception of differences in recommender algorithms. Proceedings of the 8th ACM Conference on Recommender Systems-RecSys ’14. doi: 10.1145/2645710.2645737 (https://doi.org/10.1145/2645710.2645737)
  3. Gomez-Uribe, C. A., & Hunt, N. (2015). The Netflix Recommender System. ACM Transactions on Management Information Systems, 6(4), 1-19. doi: 10.1145/2843948 (https://doi.org/10.1145/2843948)
  4. Gope, J., & Jain, S. K. (2017). A survey on solving cold start problem in recommender systems. 2017 International Conference on Computing, Communication and Automation (ICCCA). doi: 10.1109/CCAA.2017.8229786 (https://doi.org/10.1109/CCAA.2017.8229786)
  5. Gunning, D., & Aha, D. (2019). DARPA’s Explainable Artificial Intelligence (XAI) Program. AI Magazine, 40(2), 44-58. doi: 10.1609/aimag.v40i2.2850 (https://doi.org/10.1609/aimag.v40i2.2850)
  6. Jannach, D., Ludewig, M., & Lerche, L. (2017). Session-based item recommendation in e-commerce: on short-term intents, reminders, trends and discounts. User Modeling and User-Adapted Interaction, 27(3-5), 351-392. doi: 10.1007/s11257-017-9194-1 (https://doi.org/10.1007/s11257-017-9194-1)
  7. Lika, B., Kolomvatsos, K., & Hadjiefthymiades, S. (2014). Facing the cold start problem in recommender systems. Expert Systems with Applications, 41(4), 2065-2073. doi: 10.1016/j.eswa.2013.09.005 (https://doi.org/10.1016/j.eswa.2013.09.005)
  8. Pan, W., Xiang, E., Liu, N., & Yang, Q. (2010). Transfer Learning in Collaborative Filtering for Sparsity Reduction. Proceedings of the AAAI Conference on Artificial Intelligence, 24(1), 230-235
  9. Rook, L., Sabic, A. & Zanker, M. (2020). Engagement in proactive recommendations. J.Intell. Inf. Syst. 54(1), 79-100
  10. Serrà, J., & Karatzoglou, A. (2017). Getting Deep Recommenders Fit. Proceedings of the Eleventh ACM Conference on Recommender Systems-RecSys ’17. doi: 10.1145/3109859.3109876 (https://doi.org/10.1145/3109859.3109876)
  11. Sun, Z., Yu, D., Fang, H., Yang, J., Qu, X., Zhang, J., & Geng, C. (2020). Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison. Fourteenth ACM Conference on Recommender Systems. doi: 10.1145/3383313.3412489 (https://doi.org/10.1145/3383313.3412489)
  12. Zhang, Y., & Chen, X. (2020). Explainable Recommendation: A Survey and New Perspectives. Foundations and Trends® in Information Retrieval, 14(1), 1-101. doi: 10.1561/1500000066 (https://doi.org/10.1561/1500000066)
  13. Zhang, J., Adomavicius, G., Gupta, A., & Ketter, W. (2020). Consumption and Performance: Understanding Longitudinal Dynamics of Recommender Systems via an Agent-Based Simulation Framework. Information Systems Research, 31(1), 76-101. doi: 10.1287/isre.2019.0876 (https://doi.org/10.1287/isre.2019.0876)

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


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».