By this author

USING NEGATIVE USER ACTIONS TO IMPROVE THE QUALITY OF RECOMMENDER SYSTEMS

Issue number 4 from 05.05.2025

Рекомендательные системы находят все более широкое применение, охватывая множество сфер. Вместе с тем возрастает количество нестандартных случаев, связанных с необычными типами данных, на которых традиционные подходы не всегда эффективны. Например, при ограниченном количестве объектов более результативным решением становятся методы, основанные на обычных алгоритмах классификации. Предлагается способ повышения качества рекомендаций в рамках такого подхода за счет учета негативных взаимодействий пользователей с объектами. Интеграция этой информации позволяет более точно моделировать как предпочтения, так и избегаемые элементы. Представленный метод улучшает персонализацию рекомендаций даже в условиях высокой взаимосвязанности и ограниченности количества объектов.

19 0

COMPARISON OF MATRIX FACTORIZATION METHODS FOR ITEM-BASED RECOMMENDATIONS

Issue number 5 from 09.12.2025

Современные рекомендательные системы выходят за рамки классических задач персонализации, охватывая все более сложные сценарии взаимодействия между объектами. Одной из таких задач является построение взаимодополняющих рекомендаций, где стандартные пользовательские архитектуры оказываются недостаточно гибкими. Сравниваются два подхода к ее решению на основе методов матричной факторизации: с классическим обучением на матрице "пользователь-объект" с последующим введением ограничений на базе статистики советречаемости и напрямую на матрице "объект-объект", построенной по правилам временного совокупного действия. Анализируются пути преодоления ограничений традиционных методов и раскрываются перспективы применения новых стратегий в рамках различных типов данных и бизнес-задач.

26 0