Determine recommendation systems to search for books by preferences of web users

Abstract

Currently, the question of state, formation and development of the information source interaction system, the scientific interac tion and users' requests in certain fields of activity remains relevant under the conditions of the development of the use of Internet services. Recommendation systems are one of the types of artificial intelligence technologies for predicting parameters and capabilities. Due to the rapid increase in data on the Internet, it is becoming more difficult to find something really useful. And the recommendations offered by the service itself may not always correspond to the user's preferences. The relevance of the topic is to develop a personal recom mendation system for searching books, which will not only reduce time and amount of unnecessary information, but also meet the user's preferences based on the analysis of their assessments and be able to provide the necessary information at the right time. All this makes resources based on refer ral mechanisms attractive to the user. Such a system of recommendations will be of interest to producers and sellers of books, because it is an opportunity to provide personal recommendations to customers according to their preferences. The paper considers algorithms for providing recommender systems (collaborative and content filtering systems) and their disadvantages. Combinations of these algorithms using a hybrid algorithm are also described. It is proposed to use a method that combines several hybrids in one system and consists of two elements: switching and feature strengthening. This made it possible to avoid problems arising from the use of each of the algorithms separately. A literature web application was developed using Python using the Django and Bootstrap frameworks, as well as SQLite databases, and a system of recommendations was implemented to provide the most accurate suggestion. During the testing of the developed software, the wo rk of the literature service was checked, which calculates personal recommendations for users using the method of hybrid filtering. The recommendation system was tested successfully and showed high efficiency.

В даний час питання про стан, формування і розвиток системи взаємодії джерел інформації, наукової взаємодії і запитів користувачів в окремих сферах діяльності залишається актуальним в умовах розвитку використання інтернет-сервісів. Рекомендаційні системи – один із видів технологій штучного інтелекту для передбачення параметрів та можливостей. Через стрімке збільшення даних в мережі Інтернет стає складніше знайти щось справді корисне. А рекомендації, що пропонує сам сервіс, не завжди можуть відповідати вподобанням користувача. Актуальність теми полягає в тому, щоб розробити персональну рекомендаційну систему пошуку книг, що не тільки зменшить часові витрати та кількість непотрібної інформації, а й відповідатиме вподобанням користувача на основі аналізу їх оцінок та зможе надати необхідну інформацію в потрібний час. Все це робить ресурси, засновані на рекомендаційних механізмах, привабливими для користувача. Така система рекомендацій зацікавить виробників та продавців книг, бо це можливість надавати персональні рекомендації клієнтам за їх вподобаннями. У статті розглядаються алгоритми надання рекомендаційних систем (колаборативна та контентна системи фільтрацій) і їх недоліки. Також описані комбінації цих алгоритмів з використанням гібридного алгоритму. Пропонується використовувати метод, який об'єднує кілька гібридів в одну систему і складається з двох елементів: перемикання і посилення ознак. Це дозволило уникнути проблем, що виникають при використанні кожного з алгоритмів окремо. Було розроблено літературний вебдодаток за допомогою Python із застосуванням фреймворків Django та Bootstrap, а також баз даних SQLite, і впроваджено цю систему рекомендацій для надання найбільш точних пропозицій. У ході тестування розробленого програмного забезпечення було перевірено роботу літературного сервісу, що розраховує персональні рекомендації для користувачів, використовуючи метод гібридної фільтрації. Рекомендаційна система пройшла тестування успішно та показала високу ефективність.