Методи агрегації вподобань в групових рекомендаційних системах

Анотація

Стрімке зростання обсягів даних призвело до інформаційного перевантаження, що перешкоджає прийняттю
обґрунтованих рішень. Для вирішення цієї проблеми з'явилися рекомендаційні системи, які аналізують вподобання
користувачів і самостійно пропонують релевантні товари. Одним з видів рекомендаційних систем є групові рекомендаційні
системи, які призначені полегшувати спільне прийняття рішень, підвищуючи залучення користувачів та сприяючи
різноманітності та інклюзії. Однак ці системи стикаються з такими проблемами, як врахування різноманітних групових
вподобань та збереження прозорості у процесах надання рекомендацій. В даному дослідженні був запропонований метод
агрегування вподобань у системах групових рекомендацій, щоб зберегти максимум інформації від членів групи та
підвищити точність рекомендацій. Запропонований метод надає рекомендації групам користувачів, уникаючи процесу
агрегування на перших кроках надання рекомендацій, що зберігає інформацію протягом усього процесу надання групових
рекомендацій і затримує крок агрегування для надання точних і різноманітних рекомендацій. Коли об'єктом
рекомендаційної системи на базі колаборативної фільтрації є не один користувач, а група користувачів, стратегія
обчислення схожості між окремими користувачами для пошуку схожості повинна бути адаптована, щоб уникнути
агрегування вподобань членів групи на першому кроці. У запропонованій моделі відбувається пошук найближчих сусідів
групи користувачів, тому спосіб пошуку сусідів адаптовано для порівняння індивідуальних користувачів з профілем групи.
Проведене експериментальне дослідження показало, що запропонований метод досягає задовільного балансу між точністю
та різноманітністю. Це робить його добре придатним для надання рекомендацій великим групам у ситуаціях, коли точність
є більш або менш важливою порівняно з різноманітністю. Ці результати підтверджують припущення про те, що збереження
всієї інформації від членів групи без використання методів агрегування може підвищити продуктивність систем групових
рекомендацій, враховуючи різні особливості.