Рекомендательные системы: методологические вызовы и проблемы

Целью исследования явился анализ эволюции методов построения рекомендательных систем и подходов к оценке их качества в условиях многокритериальности и изменяющихся пользовательских предпочтений. В ходе работы рассмотрены основные этапы развития рекомендательных технологий, систематизированы современные алгоритмы и архитектуры, включая гибридные, нейросетевые и графовые модели. Особое внимание уделено методам оценки качества рекомендаций и классификации метрик, отражающих точность, уровень ранжирования, разнообразие и ресурсную эффективность по группам. В статье также показано, что ориентации исключительно на метрики точности для адекватной оценки результативности рекомендательных систем недостаточно. Авторы исследования рассмотрели ключевые методологические проблемы, включая холодный старт, разреженность данных и необходимость баланса между точностью и разнообразием рекомендаций, и сделали вывод о целесообразности комплексного многокритериального подхода к оценке рекомендательных систем. Результаты исследования могут быть использованы научными работниками, разработчиками рекомендательных систем, специалистами в области машинного обучения и анализа данных, а также представителями бизнеса при выборе и оценке эффективности рекомендательных алгоритмов.

1. Goldberg D., Nichols D., Oki B. M., Terry D. Using collaborative filtering to weave an information tapestry. Communications of the ACM. 1992;35(12):61-70. DOI: 10.1145/138859.138867

2. Resnick P., Iacovou N., Suchak M., Bergstrom P., Riedl J. Grouplens: An open architecture for collaborative filtering of netnews. In: Proc. 1994 ACM conf. on computer supported cooperative work. New York, NY: Association for Computing Machinery; 1994:175-186. DOI: 10.1145/192844.192905

3. Schafer J.B., Konstan J., Riedl J. Recommender systems in e-commerce. In: Proc. 1st ACM conf. on electronic commerce. New York, NY: Association for Computing Machinery; 1999:158-166. DOI: 10.1145/336992.337035

4. Bennett J., Elkan C., Liu B., Smyth P., Tikk D. Kdd Cup and workshop 2007. ACM SIGKDD Explorations Newsletter. 2007;9(2):51-52. DOI: 10.1145/1345448.1345459

5. Koren Y., Bell R., Volinsky C. Matrix factorization techniques for recommender systems. Computer. 2009;42(8):30-37. DOI: 10.1109/MC.2009.263

6. Burke R. Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction. 2002;12(4):331-370. DOI: 10.1023/A:1021240730564

7. Herlocker J.L., Konstan J.A., Terveen L.G., Riedl J.T. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS). 2004;22(1):5-53. DOI: 10.1145/963770.963772

8. Linden G., Smith B., York J. Amazon.com recommendations: Item-to-item collaborative filtering. IEEE Internet Computing. 2003;7(1):76-80. DOI: 10.1109/MIC.2003.1167344

9. Lops P., De Gemmis M., Semeraro G. Content-based recommender systems: State of the art and trends. In: Ricci F., Rokach L., Shapira B., Kantor P., eds. Recommender systems handbook. Boston, MA: Springer; 2011:73-105. DOI: 10.1007/978-0-387-85820-3_3

10. Celma Ò. Music recommendation. In: Music recommendation and discovery: The long tail, long fail, and long play in the digital music space. Berlin, Heidelberg: Springer; 2010:43-85. DOI: 10.1007/978-3-642-13287-2_3

11. Lang K. Newsweeder: Learning to filter netnews. In: Prieditis A., Russell S.J., eds. Proc. 12th Int. conf. on machine learning (ICML’95). (Tahoe City, CA, July 9-12, 1995). San Francisco, CA; Morgan Kaufmann Publishers Inc.; 1995:331-339. DOI: 10.1016/B978-1-55860-377-6.50048-7

12. Burke R. Hybrid web recommender systems. In: Brusilovsky P., Kobsa A., Nejdl W., eds. The adaptive web: Methods and strategies of web personalization. Berlin, Heidelberg: Springer; 2007:377-408. (Lecture notes in computer science. Vol. 4321). DOI: 10.1007/978-3-540-72079-9_12

13. Gomez-Uribe C.A., Hunt N. The Netflix recommender system: Algorithms, business value, and innovation. ACM Transactions on Management Information Systems (TMIS). 2015;6(4):1-19. DOI: 10.1145/2843948

14. Kanakia A., Shen Z., Eide D., Wang K. A scalable hybrid research paper recommender system for Microsoft Academic. In: The World Wide Web conf. (WWW’19). New York, NY: Association for Computing Machinery; 2019:2893-2899. DOI: 10.1145/3308558.3313700

15. He X., Liao L., Zhang H., et al. Neural collaborative filtering. In: Proc. 26th Int. conf. on World Wide Web (WWW’17). New York, NY: Association for Computing Machinery; 2017:173-182. DOI: 10.1145/3038912.3052569

16. Sedhain S., Menon A.K., Sanner S., Xie L. AutoRec: Autoencoders meet collaborative filtering. In: Proc. 24th Int. conf. on World Wide Web (WWW’15). New York, NY: Association for Computing Machinery; 2015:111-112. DOI: 10.1145/2740908.2742726

17. Covington P., Adams J., Sargin E. Deep neural networks for YouTube recommendations. In: Proc. 10th ACM conf. on recommender systems (RecSys’16). New York, NY: Association for Computing Machinery; 2016:191-198. DOI: 10.1145/2959100.2959190

18. Hidasi B., Karatzoglou A., Baltrunas L., Tikk D. Session-based recommendations with recurrent neural networks. In: 4th Int. conf. on learning representations (ICLR-2016). (San Juan, May 2–4, 2016). Appleton, WI: ICLR; 2016. URL: https://hidasi.eu/assets/pdf/gru4rec_iclr16.pdf

19. Kang W.-C., McAuley J. Self-attentive sequential recommendation. In: 2018 IEEE int. conf. on data mining (ICDM 2018). (Singapore, November 17–20, 2018). New York, NY: IEEE; 2018:197-206. DOI: 10.1109/ICDM.2018.00035

20. Chen Q., Zhao H., Li W., Huang P., Ou W. Behavior sequence transformer for e-commerce recommendation in Alibaba. In: Proc. 1st Int. workshop on deep learning practice for high-dimensional sparse data (DLP-KDD’19). New York, NY: Association for Computing Machinery; 2019:1-4. DOI: 10.1145/3326937.3341261

21. Ying R., He R., Chen K., et al. Graph convolutional neural networks for web-scale recommender systems. In: Proc. 24th ACM SIGKDD Int. conf. on knowledge discovery & data mining (KDD’18). New York, NY: Association for Computing Machinery; 2018:974-983. DOI: 10.1145/3219819.3219890

22. Wang H., Zhang F., Wang J., et al. Ripplenet: Propagating user preferences on the knowledge graph for recommender systems. In: Proc. 27th ACM Int. conf. on information and knowledge management (CIKM’18). New York, NY: Association for Computing Machinery; 2018:417-426. DOI: 10.1145/3269206.3271739

23. Ricci F., Rokach L., Shapira B., eds. Recommender systems handbook. New York, NY: Springer; 2023. 1060 p. DOI: 10.1007/978-1-0716-2197-4

24. Ge M., Delgado-Battenfeld C., Jannach D. Beyond accuracy: Evaluating recommender systems by coverage and serendipity. In: Proc. 4th ACM conf. on recommender systems (RecSys’10). New York, NY: Association for Computing Machinery; 2010:257-260. DOI: 10.1145/1864708.1864761

25. Abdollahpouri H., Adomavicius G., Burke R., et al. Beyond personalization: Research directions in multistakeholder recommendation. 2019. URL: https://www.researchgate.net/publication/332896126_Beyond_Personalization_Research_Directions_in_Multistakeholder_Recommendation

26. Zhang S., Yao L., Sun A., Tay Y. Deep learning based recommender system: A survey and new perspectives. ACM computing surveys (CSUR). 2019;52(1):1-38. DOI: 10.1145/3285029

27. McNee S.M., Riedl J., Konstan J.A. Being accurate is not enough: How accuracy metrics have hurt recommender systems. In: CHI’06 Extended abstracts on human factors in computing systems (CHI EA’06). New York, NY: Association for Computing Machinery; 2006:1097-1101. DOI: 10.1145/1125451.1125659

28. Amatriain X., Castells P., de Vries A., Posse C., Steck H. Workshop on recommendation utility evaluation: Beyond RMSE — RUE 2012. In: Proc. 6th ACM conf. on recommender systems (RecSys’12). New York, NY: Association for Computing Machinery; 2012:351-352. DOI: 10.1145/2365952.2366042

29. Jannach D., Jugovac M. Measuring the business value of recommender systems. ACM Transactions on Management Information Systems (TMIS). 2019;10(4):1-23. DOI: 10.1145/3370082

30. Pu P., Chen L., Hu R. A user-centric evaluation framework for recommender systems. In: Proc. 5th ACM conf. on recommender systems (RecSys’11). New York, NY: Association for Computing Machinery; 2011:157-164. DOI: 10.1145/2043932.2043962