Детальная информация

Recommender systems often use NLP methods primarily for content processing. In this study, we propose a new approach to building recommender systems, in which user interaction data with content is considered within the framework of a natural language model. Thus, the user preference vectorization model Pref2Vec is proposed as the basis for a hybrid recommender system. Moreover, a concept of a user embedding space (UES) is introduced, which represents a set of extended embeddings that capture end-user preferences. A new method of applying clustering analysis to the recommendation process is also proposed. The Pref2Vec model and the UES class were implemented in the Python programming language as an extension of the functionality of the Gensim library. The model was evaluated using Recall@k and NDCG@k metrics. The comparative analysis showed that the results obtained are comparable with the performance of the BPRMF, GRU4Rec and NextItRec models, which indicates the potential of the proposed model.

Многие рекомендательные системы используют методы NLP преимущественно в обработке контента. В работе предлагается новый подход к построению рекомендательных систем, в котором данные о пользовательских взаимодействиях с контентом рассматриваются в рамках модели естественного языка. Таким образом, предлагается модель векторизации пользовательских предпочтений Pref2Vec в качестве основы гибридной рекомендательной системы. Кроме того, предложена концепция пользовательского пространства эмбеддингов (UES), которая представляет собой набор расширенных эмбеддингов, отображающих предпочтения конечного пользователя. Также предложен новый способ применения задачи кластеризации в решении задачи построения рекомендаций. Модель Pref2Vec и класс UES были реализованы на языке программирования Python в качестве расширения функциональности библиотеки Gensim. Была произведена оценка модели при помощи метрик Recall@k и NDCG@k. Сравнительный анализ показал, что полученные результаты сравнимы с показателями моделей BPRMF, GRU4Rec и NextItRec, что говорит о перспективности предложенной модели.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 18, № 1, 2025. — 1 файл (10,7 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j25-123.pdf>.