ОЦІНКА ЕФЕКТИВНОСТІ РЕКОМЕНДАЦІЙНИХ СИСТЕМ IPTV, ЩО ВРАХУЮТЬ НЕЯВНІ УПОДОБАННЯ КОРИСТУВАЧІВ
DOI:
https://doi.org/10.31498/2522-9990232020240849Ключові слова:
рекомендаційна система, фільм, хостінг, оцінка ефективності, коллаборативна фільтраціяАнотація
У роботи розглянуто оцінки ефективності рекомендаційних систем відеоконтенту, описані адаптації методу визначення подібності інформаційних одиниць за допомогою аналізу даних про уподобання користувачів. Метод визначення подібності реалізує підхід Item-Item коллаборатівной фільтрації, який є одним з найбільш популярних підходів до побудови сучасних рекомендаційних систем. Вихідними даними для коллаборатівной фільтрації при побудові рекомендаційних систем IPTV є дані про користувача активності при перегляді одиниць відеоконтенту. Для формування об'єктивних критеріїв оцінки ефективності рекомендаційних систем відеоконтенту враховується, що дані збираються як явним (оцінки, опитування, рейтинги), так і неявним чином (протоколювання дій користувачів). Метод визначення подібності дозволяє вирішити проблему холодного старту, тобто видачі рекомендацій в період відсутності докладної інформації про користувача, але при наявності неявних даних про маршрути інших відвідувачів системи IPTV. Серед об'єктивних показників роботи рекомендаційної системи для оцінки обрані точність рекомендацій і їх повнота, а також узагальнююча їх оцінка. Для оцінки економічного ефекту експлуатації рекомендаційної системи задана класифікація клієнтів по інтенсивності використання рекомендацій. Задана цільова функція економічного ефекту експлуатації рекомендаційної системи. З'ясовано економічний ефект і ефективність використання рекомендаційної системи. Обговорено критерії прийняття рішення про доцільність використання рекомендаційної системи: експлуатаційна вартість і економічний ефект за розрахунковий період. Обговорено критерії прийняття рішення про доцільність оптимізації рекомендаційної системи, що використовується, або впровадження нової із завданням серед них пріоритетів відповідно до цілей стратегічного планування з урахуванням ризиків адаптації і підгонки.
Посилання
Yu K. Probabilistic memory-based collaborative filtering / Yu K. et al. // IEEE Transactions on Knowledge and Data Engineering – 2004. – Т. 16. – №. 1. – С. 56-69.
Филиппов С.А. Подходы к повышению пертинентности информационного предложения в медиасервисах на основе обработки больших объемов данных / С.А.Филиппов, В.Н.Захаров, С.А.Ступников, Д.Ю.Ковалев // ХVII международная конференция «Аналитика и управление данными в областях с интенсивным использованием данных» DAMDID/RCDL’2015, Октябрь 13-16, Обнинск, 2015, с. 224-228.
Тим Джонс. Рекомендательные системы: Часть 1. Введение в подходы и алгоритмы – Режим доступа: http://www.ibm.com/developerworks/ru/library/osrecommender1.
Xiaoyuan Su. A survey of collaborative filtering techniques / Xiaoyuan Su, Taghi M. Khoshgoftaar // Advances in Artificial Intelligence, Volume 2009 (2009), Article ID 421425, 19p.
Fleder D. Blockbuster Culture's Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity / D. Fleder, K. Hosanagar // Management Science, Vol. 55, No. 5, May 2009, pp. 697-712.
Брейкин Е.А. Рекомендательная система на основе коллаборативной фильтрации / Е.А. Брейкин // Молодой ученый. — 2015. — №13. — С. 31-33.
Барсегян А.А. Методы и модели анализа данных: OLAP и Data Mining / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод // СПб.: БХВПетербург, 2004. — 336 с.
