Rapečka, Aurimas ; Marcinkevičius, Virginijus ; Dzemyda, Gintautas „Rekomendacinės sistemos algoritmų veikimo elektroninio knygyno duomenų bazėje analizė“ (VU MII)
•Descargar como PPTX, PDF•
0 recomendaciones•468 vistas
pranešimas XVI kompiuterininkų konferencijoje „Kompiuterininkų dienos - 2013“ Šiauliai, 2013.09.21 d.
Recomendados
Más contenido relacionado
Destacado
Destacado (18)
Más de Lietuvos kompiuterininkų sąjunga
Más de Lietuvos kompiuterininkų sąjunga (20)
Rapečka, Aurimas ; Marcinkevičius, Virginijus ; Dzemyda, Gintautas „Rekomendacinės sistemos algoritmų veikimo elektroninio knygyno duomenų bazėje analizė“ (VU MII)
- 1. Rekomendacinės sistemos algoritmų veikimo elektroninio knygyno duomenų bazėje analizė Aurimas Rapečka, dr. Virginijus Marcinkevičius, prof. habil. dr. Gintautas Dzemyda 2013-09-21
- 2. Rekomendacinės sistemos (RS) RS sprendžia šias pagrindines problemas: 1. Padeda išsirinkti produktą iš panašių produktų gausos. 2. Padeda išskirti reikiamą produktą iš nereikalingų produktų aibės. Atsirado kaip atsakas į informacijos perteklių internete. Padeda vartotojui išsirinkti norimą prekę ar paslaugą.
- 3. Rekomendacinės sistemos (2) Didžiajai daliai RS reikalinga: ◦ 1. Vartotojų aibė. ◦ 2. Produktų aibė. ◦ 3. Vartotojų vertinimų produktams aibė. RS etapai ◦ Įvesties (duomenys – vertinimai, demografiniai, turinys) ◦ Filtravimo (ieškoma panašumų tarp vartotojų) ◦ Išvesties (prognozė arba rekomendacija)
- 4. Elektroninio knygyno duomenų bazė Objektas – anekdotai. Duomenų kiekis: ◦ 19329 knygos, 14197 vartotojai, 41177 užsakymai. ◦ Užpildymas – 0,033%. 7000 6409 6000 Pirkėjų skaičius 5000 4000 3000 2341 2000 1181 752 481 308 168 100 189 104 67 68 49 48 37 28 28 13 12 14 14 7 13 15 4 6 5 6 3 13 81 1000 0 1 3 5 7 9 11 13 15 17 19 21 Vieno pirkėjo įsigytų knygų skaičius 23 25 27 29 >30
- 7. Programinė įranga Atnaujinta Progr. kalba Realizuoti Reitingų Produktų savo RS algoritmų progn. rekomend. MyMediaLite 2013 04 C# >20 Taip Taip Taip Apache Mahout 2012 06 Java 3 Ne Taip Taip GraphLab 2012 05 C++ 15 Taip Taip Taip LensKit 2012 Java ? Taip Taip Taip Waffles 2013 04 C++ >5 Ne Taip Ne easyrec 2012 02 Online 1 Ne Taip Taip RecLab 2011 02 Online 1 Ne Taip Ne Crab 2011 Python >5 Taip Taip Taip recommenderlab 2011 11 C++ 4 Taip Taip Taip Jellyfish 2012 12 Python 1 Ne Taip Ne OpenSlopeOne 2010 06 PHP 1 Taip Taip Ne AppRecommender 2011 Python >10 Ne Taip Taip
- 8. Eksperimentų rezultatai AUC prec@5 prec@10 MAP recall@5 NDCG Mok. laikas, ms Test. laikas, ms Random 0,50 0,00 0,00 0,00 0,00 0,11 0,00 176,91 Zero 0,61 0,00 0,00 0,01 0,01 0,13 0,00 152,21 MostPopular 0,65 0,01 0,01 0,04 0,05 0,16 0,10 173,21 MostPopularByAtt. 0,77 0,03 0,02 0,09 0,11 0,22 1,60 238,01 BPRMF 0,65 0,01 0,01 0,03 0,05 0,16 118,91 168,41 BPRLinear 0,76 0,02 0,01 0,06 0,08 0,19 1639,99 201,21 LeastSquareSLIM 0,61 0,00 0,00 0,01 0,00 0,12 244112,00 671,54 ItemAttributeSVM 0,50 0,00 0,00 0,00 0,00 0,00 1032,26 75,00 SoftMarginRanking 0,62 0,00 0,00 0,02 0,02 0,14 114,51 184,21 WRMF 0,66 0,01 0,01 0,04 0,05 0,16 524,73 187,81 WeightedBPRMF 0,55 0,01 0,01 0,03 0,04 0,15 108,21 167,91 MultiCoreBPRMF 0,65 0,01 0,01 0,04 0,05 0,16 29,90 209,41 CLiMF 0,50 0,00 0,00 0,00 0,00 0,00 7808,05 29,50 BPRSLIM 0,64 0,03 0,02 0,11 0,13 0,22 4333,45 278,52 UserKNN 0,70 0,04 0,02 0,13 0,16 0,25 49674,44 2233,73 ItemKNN 0,68 0,03 0,02 0,08 0,12 0,21 125422,70 3787,32 ItemAttributeKNN 0,69 0,02 0,01 0,06 0,08 0,19 129198,60 5252,30
- 11. Eksperimentų rezultatai (4) k 3 5 8 10 20 1 MPopByAtt (c) UserKNN UserKNN UserKNN MPopByAtt (c) 2 UserKNN MPopByAtt (c) MPopByAtt (c) MPopByAtt (c) UserKNN 3 MostPopular MPopByAtt (a) BPRSLIM BPRSLIM BPRSLIM 4 BRPLinear (a) BRPLinear (a) MPopByAtt (a) MPopByAtt (a) MPopByAtt (a) 5 MPopByAtt (a) ItemAttributeKNN BRPLinear (a) ItemKNN ItemKNN
- 12. Išvados 1. Atkreipiamas dėmesys, kad turimo duomenų rinkinio užpildymais nenuliniais elementais yra labai mažas (50,68% pirkėjų įsigujo tik vieną knygą, o 88,29% sistemos vartotojų yra nupirkę mažiau nei 5 knygas), todėl siūlomų algoritmų tikslumas nėra didelis. 2. Naujiems arba neaktyviems vartotojams (pirkimų istorijoje turintiems tik 1 ar 2 nupirktų knygų įrašus) geriausius rezultatus parodė MostPopular ir MostPopularByAttributes algoritmai, kuomet atsižvelgiama ne vien tik į knygų, bet ir į knygų kategorijų bei autorių populiarumą visoje sistemoje.
- 13. Išvados 3. Vartotojams, turintiems daugiau nei 3 knygas pirkimų istorijoje, geriausias rekomendacijas generavo UserKNN algoritmas, analizuojantis konkretaus vartotojo pirkimų istoriją ir ieškantis panašumų kitų vartotojų pirkimų istorijose. Tačiau pastebėtina, kad šis metodas reikalauja daugiau kompiuterio operatyviosios atminties ir laiko išteklių skaičiavimams, todėl jis negali veikti realiu laiku. 4. Nustatyta, kad esant didesniam vartotojo pirktų knygų skaičiui (>8), pakankamai gerus rezultatus pademonstravo BPRSLIM algoritmas, kurio skaičiavimai vyksta daug greičiau. Šis algoritmas galėtų būti naudojamas kaip alternatyva didelių resursų reikalaujančiam UserKNN algoritmui.
- 14. Ačiū už dėmesį