Використання принципів локальності та звя’зності контексту в рекомендаційних системах

Abstract

Досліджено проблему релевантності вхідних даних в рекомендаційних системах. Дана проблема виникає внаслідок недостатньої диференціації даних про товари відносно споживачів, що не дозволяє в повній мірі індивідуалізувати їх вподобання в рекомендаційній системі. Для вирішення цієї проблеми пропонується враховувати локальні контексти споживачів, що відповідають умовам їх вибору. Використання контексту дає можливість задати контекстні обмеження на можливі варіанти упорядкованого переліку рекомендації і тим самим підвищити якість роботи рекомендаційної системи. З метою забезпечити контекстно-орієнтовані рекомендації пропонується послідовно узагальнити та відфільтрувати локальні контексти споживачів з використанням принципів локальності і зв’язності. Особливість використання цих принципів полягає у тому, що поєднуються статичний та динамічний аспекти контексту. Перший аспект характеризується множиною властивостей об’єктів, які цікавлять споживача. Другий аспект задається у вигляді патернів подій, що відображують поведінку споживача відносно цих об’єктів. Запропонований зв’язок між аспектами полягає в тому, що кожна подія відповідає парі послідовних множин властивостей об’єктів, які відрізняються одним значенням властивості. Запропоновано двохфазовий підхід до формування контексту прийняття рішень для рекомендаційної системи, що передбачає послідовну інтеграцію статичної та динамічної складових контексту. При інтеграції використовуються відношення еквівалентності, схожості та сумісності. При реалізації перщої фази формується item-based, а другої – user-based опис контексту. Потім ці описи поєднуються та фільтруються у відповідності до властивостей нового споживача, якому видаються рекомендації. Практичне значення запропонованого підходу полягає в тому, що він дозволяє видалити не релевантні вхідні дані з урахуванням контексту прийняття рішень споживачем і на цій основі підвищити точність рекомендацій.The problem of the relevance of input data in advisory systems is investigated. This problem arises due to insufficient differentiation of data on goods relative to consumers, which does not allow to fully individualize their preferences in the advisory system. To solve this problem, it is suggested to take into account the local contexts of consumers, reflecting the conditions for the acceptance of the choice by these consumers. Using the context allows you to set contextual constraints on possible variants of an ordered list of recommendations and thereby improve the quality of the recommendation system. In order to provide context-oriented recommendations, it is proposed to consistently generalize and filter out the local contexts of consumers using the principles of locality and connectivity. The peculiarity of using these principles is that the static and dynamic aspects of the context are combined. The first aspect is characterized by a set of properties of objects that are of interest to the consumer. The second aspect is given in the form of patterns of events reflecting the consumer’s behavior with respect to these objects. The proposed relationship between the aspects is that each event corresponds to a pair of successive sets of object properties that differ in one property value. A two-phase approach to the formation of a decision-making context for a recommendation system is proposed, which provides for the consistent integration of the static and dynamic components of the context. Integration uses an equivalence, similarity and compatibility relationship. When the first phase is implemented, item-based is formed, and the second is a user-based context description. Then these descriptions are combined and filtered in accordance with the characteristics of the new consumer to whom the recommendations are issued. The practical significance of the proposed approach is that it allows you to delete irrelevant input data taking into account the context of the decision-making by the consumer and, on this basis, improve the accuracy of the recommendations.