Аннотация:В рамках дипломной работы были решены следующие задачи:
* проведен обзор техник построения рекомендательных систем, выявлена потребность в алгоритме коллаборативной фильтрации, учитывающем произвольные признаковые описания факторов, способном работать для данных с неявной обратной связью (implicit feedback);
* проведен обзор алгоритмов коллаборативной фильтрации;
* предложено понятие прогнозирующего тензора как адаптация задачи обучения по прецедентам на случай многофакторных задач;
* предложен и реализован эффективный алгоритм обучения тензорной машины с каноническим разложением на основе алгоритма ALS (Alternative Least Squares);
30
* применимость тензорных машин продемонстрирована на реальных данных с веб-сервисов Delicious и Яндекс.Музыка.
Выводы
Модели низкоранговых приближений имеют огромный потенциал для решения задач коллаборативной фильтрации, а также из других предметных областей, в которых имеют место взаимодействия между объектами разных типов.
Тензорные машины обобщают зарекомендовавшие себя на практике факторизационные модели для коллаборативной фильтрации, являются удобной конструкцией для экспериментов с низкоранговыми разложениями, позволяют менять структуру модели путем изменения признакого пространства.
Тензорная машина с каноническим разложением может быть эффективно обучена при помощи алгоритма ALS (Alternative Least Squares). Польза от добавления признаков в факторы показана на реальных данных в задаче моделирования пользовательского предпочтения.