Гибридная рекомендательная система на основе Булевой матричной факторизации и контекстной информации

Рекомендательные системы - это программный продукт, который пытается предсказать, какие объекты (фильмы, книги, товары) будут интересны пользователю, на основе имеющейся о нем информации. Коллаборативная фильтрация - один из методов построения рекомендаций, который на основе оценок некоторой группы пользователей строит рекомендации для целевого пользователя. В основе этого лежит предположение, что те, кто в прошлом ставил схожие оценки, покупал похожие товары, склонны продолжать одинаково оценить объекты и в будущем. В большинстве случаев воллаборативные системы строят прогнозы только на основе истории пользователя, опуская различного рода дополнительную (контекстную) информацию о пользователях, такую как пол, возраст, род деятельности. В то же время важность подобной дополнительной информации доказана во многих смежных областях, таких как поиск информации, анадиз и разработка данных. Коллаборативные рекомендательные системы широко используют методы матричной факторизации, среди которых особо распространо сингулярное разложение (SVD). В то же время некоторые методы разложения матриц, например булева матричная факторизация, остаются малоизученными. Матричная факторизация позволяет сократить размерность сильно разреженной матрицы оценок и вычислять сходство пользователей на пространстве меньшей размерности, без значительного ущерба качеству рекомендаций. В данной работе предложен метод построения рекомендаций, использующий контекстную информацию и основанный на булевой матричной факторизации и анализе формальных понятий. Предложенный метод оценен по таким параметрам, как точность, полнота, F-мера и средняя абсолютная ошибка. Кроме того рассмотрено влияние контекстной информации, количества соседей, покрытия матрицы оценок, используемой меры сходства на указанные оценки, проведено сравнение предложенного метода и метода основанного на сингулярном разложении матрицы.