Сравнительный анализ моделей рекомендательных систем

В работе проведён сравнительный анализ методов машинного обучения для построения рекомендательной системы. Изучены способы реализации рекомендательных систем и области их применения в реальной жизни. Предложены способы и метрики качества для оценки работы рекомендательной системы. Подобран оптимальный набор данных и проведён его первичный анализ. Для выбранных данных было проведено обучение трёх различных коллаборативных рекомендательных систем: SVD, K-Means User-based, K-Means Item-based на тренировочном наборе данных. При помощи тестового набора данных для каждой модели были получены различные метрики, такие как RMSE, MAE, Precision, Recall, F1-score. Полученные результаты позволили произвести сравнительный анализ рекомендательных систем и понять - какая реализация лучше себя показала.

Comparative analysis of recommender system models

The paper presents a comparative analysis of machine learning methods for building a recommender system. The methods of implementation of recommender systems and the areas of their application in real life are studied. Methods and quality metrics for evaluating the work of a recommender system are proposed. The optimal data set was selected and its primary analysis was carried out. For the selected data, three different collaborative recommender systems were trained: SVD, K-Means User-based, K-Means Item-based on the training dataset. Using a test dataset, various metrics were obtained for each model, such as RMSE, MAE, Precision, Recall, F1-score. The results obtained allowed us to make a comparative analysis of recommender systems and understand which implementation showed itself better.