Рекомендательные системы. 
Разработка способа ранжирования онлайн-курсов на основании психологической модели обучаемого

Как уже было отмечено выше, существуют несколько базовых алгоритмов построения рекомендательных систем:

• · Рекомендации, подобранные вручную
• · Контентная фильтрация
• · Коллаборативная фильтрация
• · Гибридная фильтрация

Выбор алгоритма рекомендаций обуславливается многими факторами: в первую очередь стоит отталкиваться от предметной области и ключевых целей системы. Современные мощные рекомендательные сервисы используют модифицированные алгоритмы, чтобы добиться лучших результатов при хорошей производительности.

Тем не менее, важно знать базовые принципы работы рекомендательных алгоритмов, чтобы выбрать правильный подход к построению сервиса.

Метрики схожести

Основа любого рекомендательного алгоритма — метрика схожести двух объектов — функция similarity (x, y). В зависимости от самой системы, similarity metric может показывать, как близость друг к другу двух пользователей (предпочтений, интересов), так и схожесть двух объектов, по некоторым критериям. Например, если основная задача сервиса — показывать похожие фильмы, которые могут заинтересовать пользователя, то аргументами функции similarity будут два фильма, а сама функция должна отображать близость аргументов по некоторым критериям. К примеру, в данном случае следует оценивать жанры фильмов.

Следует сразу формализовать условные обозначения: у нас есть — множество пользователей (Users), — множество объектов (Items) и множество событий D, которые характеризуются пользователем, объектом и результатом .

В качестве метрик схожести наиболее часто используются следующие:

• · Косинусная мера;
• · Коэффициент корреляции Пирсона;
• · Коэффициент Жаккара;
• · Евклидово расстояние;
• · Коэффициент Танимото.

В качестве метрики можно использовать коэффициент Жаккара, который определяет бинарную меру сходства двух множеств:

Где — объекты, а — свойства объектов (от англ. properties).

Метрика схожести Жаккара будет показывает отношение количества совпадающих свойств двух объектов к общему числу всех свойств.

Самая распространённая метрика рекомендательных сервисов — косинусная мера [20]. Данный подход основан на том, что объекты в системе представляются векторами в многомерном пространстве критериев (свойств), а степень схожести — косинус угла между этими двумя векторами:

Косинус угла между двумя векторами — это скалярное произведение, делённое на произведение длин этих векторов. Если предположить, что предпочтения пользователя в выборе фильмов — это вектор в многомерном пространстве критериев (например, жанров), который показывает основное направление предпочитаемых фильмов, то косинус угла между вектором предпочтений и вектором, описывающим конкретный фильм, — это численная мера схожести предпочтений пользователя и объекта, на основании которой можно строить рекомендательные предсказания. Чем ближе к единице косинус угла между двумя векторами, тем меньше градусная мера угла (стремиться к 0), и, следовательно, тем более схожи эти два объекта.

Косинусная мера достаточно хорошо работает и часто применяется для оценки схожести двух товаров по их свойствам или некоторым критериям. Но если применить данный подход при построении рекомендательной системы, использующей алгоритм коллаборативной фильтрации и основанной на оценивании товаров пользователями, то в реальных крупных сервисах часто возникают следующие проблемы:

• · Разные товары оценивают разное число пользователей:
• · Часто оценки одного пользователя сдвинуты в одну сторону: некоторые пользователи ставят только положительные оценки, другие только отрицательные (оценивают только те объекты, которые им не нравятся).

Однако данную проблему можно обойти. В таких ситуациях можно применить модифицированную косинусную меру:

Здесь U — множество пользователей, которые оценили, как объект a, так и объект b.

Косинусная мера — самая широко используемая метрика, но в конечном счёте выбор метрики полностью зависит от самой системы.