Современные направления исследований в области рекомендательных систем
- Авторы: Денисенко И.А.1
-
Учреждения:
- Финансовый университет при Правительстве Российской Федерации
- Выпуск: Том 18, № 3 (2022)
- Страницы: 75-79
- Раздел: Статьи
- URL: https://journals.eco-vector.com/2541-8025/article/view/531863
- ID: 531863
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или 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.
Полный текст
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
- 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)
- 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)
- 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)
- 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)
- 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)
- 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)
- 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)
- 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
- Rook, L., Sabic, A. & Zanker, M. (2020). Engagement in proactive recommendations. J.Intell. Inf. Syst. 54(1), 79-100
- 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)
- 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)
- 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)
- 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
