ОЦЕНКА ЭФФЕКТИВНОСТИ МЕТОДА ПОВЫШЕНИЯ ПЕРТИНЕНТНОСТИ ИНФОРМАЦИИ В РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ ПОДДЕРЖКИ ЖИЗНЕОБЕСПЕЧЕНИЯ НА ОСНОВЕ НЯВНЫХ ДАННЫХ

Станислав Александрович Филиппов; Виктор Николаевич Захаров

Станислав Александрович Филиппов Федеральный исследовательский центр "Информатика и управление" РАН
Виктор Николаевич Захаров Федеральный исследовательский центр "Информатика и управление" РАН

Abstract

В статье предложен подход к оценке эффективности метода повышения пертинентности информации, работающего с неявными большими данными пользователей, на основе результатов экспериментальных исследований программной реализации метода, внедрённой в действующий интернет-магазин Thaisoap. Работа выполнена при поддержке Министерства образования и науки РФ, уникальный идентификатор проекта RFMEFI60414X0139.

Author Biographies

Станислав Александрович Филиппов, Федеральный исследовательский центр "Информатика и управление" РАН

кандидат технических наук, старший научный сотрудник лаборатории Института проблем информатики

Виктор Николаевич Захаров, Федеральный исследовательский центр "Информатика и управление" РАН

доктор технических наук, главный ученый секретарь

References

1. Walker L. Amazon Gets Personal With E-Commerce // Washington Post Staff Writer Sunday, November 8, 1998; Page H1.URL: http://www.washingtonpost.com/wp-srv/washtech/daily/nov98/amazon110898.htm
2. С.А.Филиппов, В.Н.Захаров, С.А.Ступников, Д.Ю.Ковалев Подходы к повышению пертинентности информационного предложения в медиасервисах на основе обработки больших объемов данных // Сeur workshop proceedings, Vol-1536, Selected Papers of the XVII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2015) Obninsk, Russia, October 13-16, 2015, p. 114-118.
3. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining//СПб.: БХВ-Петербург, 2004. — 336 с.
4. Лекция: Методы и стадии Data Mining // Статья в сети Интернет, URL: http://www.intuit.ru/studies/courses/6/6/lecture/162?page=1.
5. С.А.Филиппов, В.Н.Захаров, С.А.Ступников, Д.Ю.Ковалев Организация больших объемов данных в рекомендательных системах поддержки жизнеобеспечения, входящих в состав глобальных платформ электронной коммерции // Сeur workshop proceedings, Vol-1536, Selected Papers of the XVII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2015) Obninsk, Russia, October 13-16, 2015, p. 119-124.
6. М. Тим Джонс Рекомендательные системы: Часть 1. Введение в подходы и алгоритмы // Библиотека IBM, 2013. URL: http://www.ibm.com/developerworks/ru/library/os-recommender1/.
7. Xiaoyuan Su, Taghi M. Khoshgoftaar A survey of collaborative filtering techniques // Advances in Artificial Intelligence, Volume 2009 (2009), Article ID 421425, 19p.
8. Fleder D., Hosanagar K. Blockbuster Culture's Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity //Management Science, Vol. 55, No. 5, May 2009, pp. 697-712.
9. Брейкин Е. А. Рекомендательная система на основе коллаборативной фильтрации // Молодой ученый. — 2015. —№13. — С. 31-33.
10. Марманис Х., Бабенко Д. Алгоритмы интеллектуального Интернета // СПб.-М.: Символ, 2011. – 466 с.
11. Greg Linden, Brent Smith and Jeremy York Amazon.com recommendations: Item-to-Item Collaborative Filtering // Industry Report, IEEE INTERNET COMPUTING, 2003.
12. Barkan O., Koenigstein N. Item2Vec: Neural Item Embedding for Collaborative Filtering // arXiv preprint arXiv:1603.04259,Mar 2016.
13. Гончаров Максим Системы выработки рекомендаций // Статья в сети Интернет. URL:http://www.businessdataanalytics.ru/RecommendationSystems.htm.
14. Филиппов С.А., Захаров В.Н., Ступников С.А., Ковалев Д.Ю. Метод определения подобия информационных единиц по неявным пользовательским предпочтениям в рекомендательных системах поддержки жизнеобеспечения //Аналитика и управление данными в областях с интенсивным использованием данных: XVIII Международная конференция DAMDID/RCDL’2016 (Ершово, Московская обл., 11 – 14 октября 2016 года, Россия): Труды конференции / Под. Ред. Л.А. Калиниченко, Я. Манолопулоса, С.О. Кузнецова. – М. ФИЦ ИУ РАН, 2016, с. 169 – 174. ISBN 978-5-94558-206-5.
15. Филиппов С.А., Захаров В.Н., Ступников С.А., Ковалев Д.Ю. Кластеризация профилей пользователей в рекомендательных системах поддержки жизнеобеспечения на основе реальных неявных данных // Аналитика и управление данными в областях с интенсивным использованием данных: XVIII Международная конференция DAMDID/RCDL’2016 (Ершово, Московская обл., 11 – 14 октября 2016 года, Россия): Труды конференции / Под. Ред.Л.А. Калиниченко, Я. Манолопулоса, С.О. Кузнецова. – М. ФИЦ ИУ РАН, 2016, с. 163 – 168. ISBN 978-5-94558-206-5.
16. Валерий Дьяченко Сервисы рекомендаций: как с их помощью увеличить продажи на 60% // Статья в сети Интернет, URL: http://www.kom-dir.ru/article/51-servisy-rekomendatsiy