Analýza vlivu kontextu interakcí při doporučování kolaborativním filtrováním

Abstract

Kolaborativní filtrování je jednou z nejúspěšnějších technik používaných v doporučovacích systémech. Základní algoritmy využívají historické interakce mezi uživateli a předměty, nicméně doporučovací systémy nasazené v produkčním prostředí mají často k dispozici minimálně jednu další dimenzi dat - časová razítka těchto interakcí. Tyto okolnosti interakcí nazýváme kontextem. Tato práce využívá dosud často opomíjené informace v datech ke zlepšení přesnosti doporučování. Je navrženo několik nových přístupů k začlenění kontextu do tradičních metod kolaborativního filtrování. K evaluaci těchto vylepšení je navržen a implementován testovací framework. Navržené metody jsou rozsáhle testovány na několika datasetech, s různými parametry a kontexty. Výsledky ukazují, že metody beroucí v úvahu kontext vykazují i na převážně statických datasetech zlepšení metriky recall o 5-25 % oproti tradidičním algoritmům kolaborativního filtrování.

Collaborative filtering is one of the most successful techniques used in recommender systems. The basic algorithms utilize history of interactions between users and items. However, recommenders deployed in production often have at least one more dimension of data available--timestamp of the interaction. These interaction circumstances are collectively referred to as the context. This thesis exploits the additional information in order to improve overall recommender accuracy. Several novel approaches to incorporating context into traditional collaborative filtering are proposed. An evaluation framework is designed and proposed algorithms are extensively evaluated with different parameters and contexts on multiple datasets. Results show that even mostly static datasets benefit from the proposed context-aware approach. About 5-35 % recall increase was observed in comparison with traditional collaborative filtering algorithms.