English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Предметом изучения в статье являются процессы выявления предпочтений пользователей в рекомендательных системах. Целью является разработка усовершенствованного метода колаборативной фильтрации на основе ранжирования пропущенных и отрицательных результатов в матрице исходных данных. Задачи: Формализовать свойства исходных данных, включая пропущенные данные для задачи коллаборативной фильтрации; разработать подход к ранжированию исходных данных для коллаборативной фильтрации с неявной обратной связью, включая пропущенные и отрицательные результаты; усовершенствовать метод колаборативной фильтрации путем предварительного ранжирования пропущенных и отрицательных результатов в исходных данных. Используемыми методами являются: коллаборативная фильтрация, машинное обучение. Получены следующие результаты. Формализованы свойства исходных данных для коллаборативной фильтрации. Такие данные упорядочиваются для каждого пользователя как последовательность предпочтений интересующих пользователя объектов. На основе свойств исходных данных показано, что при коллаборативной фильтрации с неявной обратно связью необходимо упорядочивать не только данные о поведении пользователя, но и пропущенные и неточные данные. Предложен подход к упорядочиванию таких данных на основе их попарного сравнения. Усовершенствован метод коллаборативной фильтрации на основе уточнения весовых коэффициентов для обучающей выборки с учетом предварительного ранжирования входных данных. Выводы. Научная новизна полученных результатов состоит в следующем: усовершенствован метод коллаборативной фильтрации с неявной обратной связью путем присвоения дополнительных весов элементам в матрице исходных данных на основе ранжирования пропущенных и отрицательных результатов. Метод позволяет повысить точность рекомендаций по критерию AUC с учетом неполноты исходных данных. Ключевые слова: коллаборативная фильтрация; машинное обучение; ранжирование; факторизация матриц; кривая ошибок; обучающая и тестовая выборки.

sistemi upravlìnnâ, navìgacìï ta zvʼâzku

УСОВЕРШЕНСТВОВАНИЕ МЕТОДА КОЛАБОРАТИВНОЙ ФИЛЬТРАЦИИ С НЕЯВНОЙ ОБРАТНОЙ СВЯЗЬЮ НА ОСНОВЕ РАНЖИРОВАНИЯ ОТРИЦАТЕЛЬНЫХ РЕЗУЛЬТАТОВ В МАТРИЦЕ ИСХОДНЫХ ДАННЫХ