У нас на сайте представлено огромное количество информации, которая сможет помочь Вам в написании необходимой учебной работы. 

Но если вдруг:

Вам нужна качественная учебная работа (контрольная, реферат, курсовая, дипломная, отчет по практике, перевод, эссе, РГР, ВКР, диссертация, шпоры...) с проверкой на плагиат (с высоким % оригинальности) выполненная в самые короткие сроки, с гарантией и бесплатными доработками до самой сдачи/защиты - ОБРАЩАЙТЕСЬ!

1.2.     Обзор предметной области

В современном мире существует множество подходов к созданию рекомендательных систем [1, 2].

Неперсонализированные рекомендации (Summary based)

Подход неперсонализированных рекомендаций — это расчет реко- мендаций на основании глобального рейтинга. В качестве рейтинга мо- жет использоваться средняя оценка товара, отношение лайков к про- смотрам, количество скачиваний, или другая метрика, специфичная для системы. Под товаром здесь и далее будем подразумевать любую сущность, с которой работает система рекомендаций. Его очевидная проблема — игнорирование личных предпочтений пользователя. Так- же серьезным недостатком этого подхода является консерватизм, но- вые товары с трудом попадают в топ рейтинга, так как не предлага- ются вообще никаким пользователям, следовательно их оценка растет медленнее. Реализация этого подхода очень проста, для каждого то- вара хранится его рейтинг, обновляющийся с каждой новой оценкой. При отсутствии или низком числе оценок начальный рейтинг может задаваться владельцами сервиса.

Коллаборативная фильтрация (Collaborative filtering)

Подход коллаборативной фильтрации [3, 4, 5, 6] разделяется на два похожих подхода:

•     Кластеризация пользователей.

•     Кластеризация товаров.

Кластеризация пользователей представляет собой объединение поль- зователей в группы по предпочтениям, и выдачу рекомендаций на осно- ве того, что из еще не увиденного конкретнымпользователем контента понравилось другим членам группы, в которую он помещен. Обычно предпочтения пользователей хранятся с помощью матрицы векторов

оценок каждого товара для каждого пользователя. Для распределения по группам используется поиск ближайших соседей по этим векторам. Кластеризация товаров отличается от кластеризациипользователей лишь тем, что матрица отношений транспонирована. И для рекоменда- ций, с помощью поиска n ближайших соседей, ищутся товары, ближай-

шие к понравившимся пользователю ранее.

При росте количества пользователей и товаров матрицы становят- ся разреженными, и соответственно растут затраты на их хранение и распределение по группам.

Также существует проблема “холодного старта” — ситуация, когда активных пользователей слишком мало, и большая часть распределя- ется в группу, не оценившую ничего. В таком случае,рекомендации на основе коллаборативной фильтрации не работают.

Для решения проблемы холодного старта часто используются непер- сонализированные рекомендации или рекомендации по содержанию. Для решения проблемы разреженности матриц используются подход приближения матрицами меньшего ранга [7, 8]. Он позволяет сокра- тить затраты на хранение ненужной информации, однако получивши- еся матрицынеинтерпретируемы.

Рекомендации по содержанию (Content Based)

Подход рекомендаций по содержанию [9, 10, 11] заключается в вы- делении единых ключевых характеристик всех товаров, по которым их можно сравнивать векторизации этих признаков, ивыдаче товаров, вектора которых максимально близки к векторам товаров, уже про- смотренных пользователем, в качестве рекомендаций. Проблема этого подхода заключается в сложности выделения ключевых характеристик, а также в слабой корреляции с глобальными предпочтениями пользова- теля. Преимуществом этого подхода можно считать решение проблемы холодногостарта и независимость качества рекомендаций от действий пользователя. Также для нас важно, что при использовании этого под- хода мы можем сами задавать, какие факторы имеют значение,пола- гаясь на мнение экспертов, а не на машину.

Смешанный подход

Идея смешанного подхода [12, 13] заключается в комбинации подхо- дов, рассмотренных выше. Популярны следующие виды комбинаций:

•     Использование нескольких подходов параллельно, присвоение каж- дой рекомендации некоторого веса и вывод товаров смаксималь- ным весом.

•     Передача вывода одного подхода на вход другому.

•     Использование разных подходов для разных товаров.

Плюсом этого подхода является возможность работать с большим количеством разноплановой информации, получая таким образом воз- можность увеличить качество рекомендаций.Минусом же является слож- ность реализации и повышенные затраты на поддержку всей информа- ции, необходимой для корректной работы нескольких подходов.

В этой работе мы рассмотрим смешанный подход к созданию реко- мендательных систем подробнее, и выделим оптимальную комбинацию для решения поставленной задачи.

2.     Описание подхода

2.1.     Условия решаемой задачи

Пользователь заходит на сайт, чтобы найти вдохновение для своего нового проекта. Задача сервиса — упросить и ускорить этот процесс. Предлагаемый подход заключается впредоставлении рекомендатель- ной системы для помощи поиска изображений, похожих на интересу- ющие, и поисковой системы для поиска изображений по текстовому описанию и цветовой гамме.

2.2.   Рекомендательная система

Задача рекомендательной системы — предоставлять изображения, наиболее подходящие к данному. Предлагаемый подход заключается в формализации понятия “подходящее изображение”как изображения:

1.     похожего по доминантным цветам;

2.     выполненного в том же визуальном стиле;

3.     использующего тот же шрифт;

4.     созданного тем же автором;

5.     относящегося к той же сфере,

и создании системы, работающей на основе указанных понятий. Харак- теристики пользователя в данной рекомендательной системе не учиты- ваются.

Для решения этой задачи предлагается реализовать два модуля:

1.     Модуль рекомендаций по цвету.

2.     Модуль рекомендаций по доступной текстовой информации, вклю- чающей перечисленные выше понятия.

И интегрировать их друг с другом, реализуя смешанный подход к со- зданию рекомендательных систем.

2.3.   Поиск

Задача поисковой системы — предоставлять изображения, подходя- щие под пользовательский запрос. Предлагаемый подход заключается в разделении пользовательского запроса на цвета итекстовое описание, состоящее из следующих понятий:

1.     Имя автора.

2.     Используемый шрифт.

3.     Используемый стиль.

4.     Тип работы.

5.     Ключевые слова, описывающие работу.

Ответом на запрос предлагается считать пересечение изображений, со- держащих данные цвета в качестве доминантных, и изображений, удо- влетворяющих текстовому описанию. Для решенияэтой задачи реали- зуем модули поиска по цветам и по тексту и интегрируем их друг с другом, получив модуль поиска по визуальному стилю.

3.        Реализация

3.1.      Архитектура

Архитектура разработанной системы состоит из двух модулей — модуля рекомендаций, который состоит из модулей рекомендаций по цвету и рекомендаций по текстовой информации, имодуля поиска, ко- торый состоит из модулей поиска по текстовой информации и по цве- там. Все модули получают запросы от клиента с помощью системы GraphQL7 и обращаются в базу данных PostgreSQL8, как указано на рисунке 1.

Рассмотрим таблицу, показывающую среднее время работы подготови- тельных шагов для поиска и рекомендаций, описанных выше.

Рис. 9: Основные понятия схожести

Дополнительно мы выяснили, какие виды ключевых слов пользо- ватели используют чаще всего, и проверили, что самые популярные доступны в нашей системе.