TY - JOUR AU - V. Leshchynskyi AU - I. Leshchynska PY - 2018/07/03 Y2 - 2024/03/29 TI - Вдосконалення методу колаборативної фільтрації з неявним зворотнім зв’язком на основі ранжування негативних результатів в матриці вхідних даних JF - Системи управління, навігації та зв’язку. Збірник наукових праць JA - СУНЗ VL - 3 IS - 49 SE - Математичні моделі та методи DO - https://doi.org/10.26906/SUNZ.2018.3.073 UR - https://journals.nupp.edu.ua/sunz/article/view/1136 AB - Предметом вивчення в статті є процеси виявлення вподобань користувачів в рекомендаційних системах. Метою є розробка вдосконаленого методу колаборативної фільтрації на основі ранжирування пропущених і негативних результатів в матриці вихідних даних. Завдання: Формалізувати властивості вихідних даних, включно з пропущеними даними для задачі колаборативної фільтрації; розробити підхід до ранжирування вихідних даних для колаборативної фільтрації з неявним зворотним зв'язком, включно з пропущеними і негативним результатами; удосконалити метод колаборативної фільтрації шляхом попереднього ранжування пропущених і негативних результатів у вихідних даних. Використовуваними методами є: колаборативна фільтрація, машинне навчання. Отримані наступні результати. Формалізовані властивості вихідних даних. Такі дані упорядковуються для кожного користувача як послідовність переваг цікавлять користувача об'єктів. На основі властивостей вихідних даних показано, що при колаборативній фільтрації з неявним зворотнім зв'язком необхідно упорядковувати не тільки дані про поведінку користувача, але і пропущені та неточні дані. Запропоновано підхід до впорядкування таких даних на основі їх попарного порівняння. Удосконалено метод колаборативної фільтрації на основі уточнення вагових коефіцієнтів для навчальної вибірки з урахуванням попереднього ранжирування вхідних даних. Висновки. Наукова новизна отриманих результатів полягає в наступному: удосконалено метод колаборативної фільтрації з неявним зворотнім зв'язком шляхом присвоєння додаткових ваг елементам в матриці вхідних даних на основі ранжирування пропущених і негативних результатів. Метод дозволяє підвищити точність рекомендацій за критерієм AUC з урахуванням неповноти вихідних даних. ER -