Разработка рекомендательной системы на основе сессий с использованием многоуровневой системы отбора кандидатов


DOI: 10.34759/trd-2022-126-20

Авторы

Мохов А. И.1*, Кислинский В. Г.2**, Алексейчук А. С.1

1. Московский авиационный институт (национальный исследовательский университет), Волоколамское шоссе, 4, Москва, A-80, ГСП-3, 125993, Россия
2. Московский физико-технический институт (национальный исследовательский университет), МФТИ, Институтский пер., 9, Долгопрудный, Московская облаcть, 141701, Россия

*e-mail: AIMokhov@mai.ru
**e-mail: kislinskiy.vg@phystech.edu

Аннотация

В статье рассматривается рекомендательная система, основанная на сессиях — взаимодействиях вида «пользователь-объект», которые происходят в течение некоторого времени — и производится сравнение подходов к построению рекомендаций с ранжированием и без него. В работе рассматриваются парные критерии для задач ранжирования, а также методы подбора кандидатов на основе векторных представлений для объектов (товаров). В ходе исследования была разработана рекомендательная система и ПО для сравнения оценки двух и более подходов к задаче рекомендации. Для оценки модели используются метрики качества, применяемые в задачах ранжирования и построения рекомендаций. Приведены результаты сравнения алгоритмов обучения ранжированию на реальных данных.

Ключевые слова:

обучение ранжированию, машинное обучение, рекомендательная система, метрики ранжирования, CatBoost

Библиографический список

  1. Burges C., Shaked T., Renshaw E., Lazier A., Deeds M., Hamilton N., Hullender G. Learning to rank using gradient descent // 22nd International Conference on Machine learning, 2005, 89-96. DOI: 10.1145/1102351.1102363
  2. Burges C.J. From ranknet to lambdarank to lambdamart: An overview // Learning, 2010, vol. 11, 81. URL: https://www.microsoft.com/en-us/research/publication/from-ranknet-to-lambdarank-to-lambdamart-an-overview/
  3. Burges C., Ragno R., Le Q. Learning to rank with nonsmooth cost function // Advances in neural information processing systems, 2006, vol. 19, pp. 193-200. DOI: 5555/2976456.2976481
  4. Croft W.B., Metzler D., Strohman T. Search engines: Information retrieval in practice, Reading: Addison-Wesley, 2010, vol. 520, pp. 131-141. URL: https://www.isi.edu/people/metzler/publications/search_engines_information_retrieval_practice
  5. Devlin J., Chang M.W., Lee K., Toutanova K. Bert: Pre-training of deep bidirectional transformers for language understanding // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 2018, vol. 1, pp. 4171-4186. DOI: 18653/v1/N19-1423
  6. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A., Gulin A. CatBoost: unbiased boosting with categorical features // Advances in Neural Information Processing Systems 31 (NeurIPS 2018), 2008, pp. 6638-6648. URL: https://arxiv.org/pdf/1706.09516.pdf
  7. Grover, A., Wang, E., Zweig, A., and Ermon, S. Stochastic optimization of sorting networks via continuous relaxations // Proceedings of the International Conference on Learning Representations, 2019. URL: https://arxiv.org/pdf/1903.08850.pdf
  8. Gulin A., Kuralenok I., Pavlov D. Winning the transfer learning track of Yahoo!’s learning to rank challenge with yetirank // Learning to Rank Challenge, 2011, pp. 63-76. DOI: 5555/3045754.3045761
  9. Koren Y. Factorization meets the neighborhood: a multifaceted collaborative filtering model // 14th ACM SIGKDD international conference on Knowledge discovery and data mining, 2008, pp. 426-434. DOI: 1145/1401890.1401944
  10. Koren Y., Bell R., Volinsky C. Matrix factorization techniques for recommender systems // Computer, 2009, vol. 42 (8), pp. 30-37. DOI: 1109/MC.2009.263
  11. Li H. A short introduction to learning to rank // IEICE Transactions on Information and Systems, 2011, vol. 94 (10), pp. 1854-1862. DOI: 1587/transinf.E94.D.1854
  12. Liu T.Y. Learning to rank for information retrieval // Foundations and Trends® in Information Retrieval, 2009, vol. 3, no. 3, pp 225-331. DOI: 1561/1500000016
  13. Mikolov T., Chen K., Corrado G., Dean J. Efficient estimation of word representations in vector space // In 1st International Conference on Learning Representations, ICLR 2013, Scottsdale, Arizona, USA, May 2-4, 2013.
  14. Felix Petersen, Christian Borgelt, Hilde Kuehne, Oliver Deussen. Learning with Algorithmic Supervision via Continuous Relaxations // Proceedings of the 35th Conference on Neural Information Processing Systems (NeurIPS 2021). URL: ibm.com/publications/learning-with-algorithmic-supervision-via-continuous-relaxations
  15. Robertson S., Zaragoza H. The probabilistic relevance framework: BM25 and beyond, Now Publishers, Inc. 2009. DOI: 1561/1500000019
  16. Sun F., Liu J., Wu J., Pei C., Lin X., Ou W., Jiang P. BERT4Rec: Sequential recommendation with bidirectional encoder representations from transformer // 28th ACM international conference on information and knowledge management, 2019, pp. 1441-1450. DOI: 1145/3357384.3357895
  17. Sun Z., Yu D., Fang H., Yang J., Qu X., Zhang J., Geng C. Are we evaluating rigorously? Benchmarking recommendation for reproducible evaluation and fair comparison // In Fourteenth ACM Conference on Recommender Systems, 2020, pp. 23-32, DOI: 1145/3383313.3412489
  18. Ustimenko A., Prokhorenkova, L. StochasticRank: Global Optimization of Scale-Free Discrete Functions // International Conference on Machine Learning, 2020, pp. 9669-9679, URL: https://proceedings.mlr.press/v119/ustimenko20a.html
  19. Ustimenko A., Prokhorenkova L. SGLB: Stochastic Gradient Langevin Boosting // International Conference on Machine Learning, 2021, pp. 10487-10496. URL: https://deepai.org/publication/sglb-stochastic-gradient-langevin-boosting
  20. Проценко П.А., Хуббиев Р.В. Методика ранжирования космических аппаратов дистанционного зондирования Земли с целью оперативного мониторинга чрезвычайных ситуаций // Труды МАИ. 2021. № 119. URL: http://trudymai.ru/published.php?ID=159756. DOI: 34759/trd-2021-119-18
  21. Смерчинская С.О., Яшина Н.П. Агрегирование предпочтений с учетом важности критериев // Труды МАИ. 2015. № 84. URL: http://trudymai.ru/published.php?ID=62973
  22. Заковряшин А.И. Особенности интеллектуальной поддержки принятия решений // Труды МАИ. 2012. № 61. URL: http://trudymai.ru/published.php?ID=35494

Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход