ЧАТ-БОТ ДЛЯ НАДАННЯ РЕКОМЕНДАЦІЙ ІЗ ПЕРЕГЛЯДУ ВІДЕОФІЛЬМІВ НА ОСНОВІ МАТРИЧНИХ ФАКТОРИЗАЦІЙНИХ МОДЕЛЕЙ
DOI:
https://doi.org/10.32689/maup.it.2024.1.3Ключові слова:
рекомендаційна система, чат-бот, матрична факторизація, метод декомпозиції сигулярного значення, машинне навчання, машина факторизації з урахуванням поляАнотація
У статті досліджено основні моделі прогнозування реакцій користувача у рекомендаційних системах, засновані на методах матричної факторизації. Обгрунтовано вибір матричної факторизаційної моделі та розглянуто підходи до забезпечення гнучкості взаємодії рекомендаційної системи і користувача шляхом використання чат-бота, впровадженого у вебзастосунок. Метою статті є дослідження ефективності застосування чат-бота, орієнтованого на індивідуальні потреби користувача, у рекомендаційній системі з надання рекомендацій по перегляду відеоконтенту на основі матричних факторизаційних моделей. Методи дослідження. Використано методи розробки вебзастосунків та інтелектуальних чат-ботів, методи матричної факторизації з використанням методу декомпозиції сигулярного значення SVD, методи машинного навчання, методи обробки й розпізнавання природної мови та методи оптимізації роботи рекомендаційної системи, що базуються на оцінці точності прогнозу та рівня зодоволеності користувача спілкуванням із чат-ботом. Наукова новизна дослідження полягає у виявленні методів і підходів, спрямованих на покращення отримання користувачами персоналізованих рекомендацій по перегляду відеоконтенту відповідно до їх інтересів та уподобань шляхом застосування чат-бота та моделі прогнозування реакцій користувача на основі методів матричної факторизації. Висновки. Накопичення великих обсягів цифрової відеоінформації різних форматів вимагає покращення механізмів надання рекомендацій та підвищення точності прогнозу стосовно уподобань користувачів. Дослідження моделей матричної факторизації MF, машини факторизації FM та машини факторизації з урахуванням поля FFM дозволило установити, що кращі показники точності прогнозу має модель машини факторизації з ураховунням поля FFM: MAE=0,86, MSE=1,65, RMSE=1,28. Для забезпечення гнучкості взаємодії користувача з рекомендаційною системою, розробленою на основі моделі FFM, виявлено доцільність її інтеграції з чат-ботом, впровадженим у вебзастосунок. Дослідження якості створеної моделі обробки природної мови показало високу точність розпізнавання намірів користувача при спілкуванні з чат-ботом – 99,17%. Виявлення рівня задоволеності користувачів спілкуванням з чат-ботом та отриманими рекомендаціями дозволило установити, що задоволеність користувачів становила 86,7%. Що свідчить про високий рівень оцінки ефективності взаємодії користувачів з чат-ботом та високу точність системи стосовно прогнозу намірів користувачів з перегляду відеофільмів.
Посилання
Болюбаш Н. М. Інтелектуальний аналіз даних. Миколаїв: Вид-во ЧДУ ім. П. Могили, 2023. 320 с. URL: https://dspace.chmnu.edu.ua/jspui/handle/123456789/1461
Мелешко Є. В., Семенов С. Г., Хох В. Д. Дослідження методів побудови рекомендаційних систем в мережі Інтернет. Системи управління, навігації та зв'язку. Вип. 1(47). 2018. С. 131–136. URL: https://doi.org/10.26906/SUNZ.2018.1.131
Мелешко Є. В., Хох В. Д., Босько В. В. Дослідження матричних факторизаційних моделей рекомендаційних систем. Системи управління, навігації та зв’язку. Вип. 6(58), 2019. С. 58–62. URL: https://doi.org/10.26906/SUNZ.2019.6.058
Abbas M., Riaz M. U., Rauf A., Khan M. T., Khalid S. Context-aware Youtube recommender system. In International Conference on Information and Communication Technologies ( ICICT). Karachi: IEEE, 2017. P. 161–164. URL: https://doi.org/10.1109/ICICT.2017.8320183
Attalariq M., Baizal Z.K.A. Chatbot-Based Book Recommender System Using Singular Value Decomposition. Journal of Information System Research. Vol. 4, No 4. 2023. P. 1293–1301. URL: https://doi.org/10.47065/josh.v4i4.3817
Chin W. S., Zhuang Y., Juan Y. C., Lin C. J. A Learning-Rate Schedule for Stochastic Gradient Methods to Matrix Factorization. In Advances in Knowledge Discovery and Data Mining. 19th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2015). Lecture Notes in Computer Science. Vol. 9077. 2015. Springer Cham. P. 442–445. URL: https://doi.org/10.1007/978-3-319-18038-0_35
Dalton J., Ajayi V. Main R. Vote Goat: Conversational Movie Recommendation. In The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. Ann Arbor MI USA: ACM, 2018. P. 1285–1288. URL: https://doi.org/10.1145/3209978.3210168
Duchi J., Hazan E., Singer Y. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization. Journal of Machine Learning Research. Vol 12. 2011. P. 2121–2159. URL: https://jmlr.org/papers/volume12/duchi11a/duchi11a.pdf
Fajari A. N., Baizal A. Chatbot-based Culinary Tourism Recommender System Using Named Entity Recognition. Journal Imiah Penelitian dan Pembelajaran Informatika. Vol. 7, No. 4. 2022. P. 1131–1138. URL: https://doi.org/10.29100/jipi.v7i4.3210
Falk K. Practical recommender systems. Shelter Island, NY: Manning, 2019. 432 p.
Fayyaz Z., Ebrahimian M., Nawara D., Ibrahim A., Kashef R. Recommendation Systems: Algorithms, Challenges, Metrics, and Business Opportunities. Applied Sciences. Vol. 10(21). 2020. URL: https://doi.org/10.3390/app10217748
Gomez-Uribe C.A., Hunt N. The netflix recommender system: algorithms, business value, and innovation. ACM Transactions on Management Information Systems. Vol. 6, No 4. 2016. P. 1–19. URL: https://dl.acm.org/doi/10.1145/2843948
Hong F.X., Zheng X.L., Chen C.C. Latent space regularization for recommender systems. Information Science. Vol. 360. 2016. P. 202–216. URL: https://doi.org/10.1016/j.ins.2016.04.042
Jannach D. Evaluating conversational recommender systems: A landscape of research. Artificial Intelligence Reviev. Vol. 56, No. 3. 2023. P. 2365–2400. URL: https://doi.org/10.1007/s10462-022-10229-x
Jayalakshmi S., Ganesh N., C¨ep R., Senthil Murugan J. (2022). Movie recommender systems: concepts, methods, challenges, and future directions. Sensors. Vol. 22(13). URL: https://doi.org/10.3390/s22134904
Juan Y., Zhuang Y., Chin W.S. Field-aware Factorization Machines for CTR Prediction. In Proceedings of the 10th ACM Conference on Recommender Systems. 2016. P. 43–50. URL: https://doi.org/10.1145/2959100.2959134
Ma S., Zha Z., Wu F. Knowing user better: jointly predicting click-through and playtime for micro-video. In IEEE International Conference on Multimedia and Expo ( ICME). 2019. P. 472–477. URL: https://doi.org/10.1109/ICME.2019.00088
ML.NET Documentation. URL: https://learn.microsoft.com/en-us/dotnet/machine-learning
MovieLens 25M Dataset. URL: https://grouplens.org/datasets/movielens/25m
Narducci F., Gemmis M.D., Lops P., Semeraro G. Improving the User Experience with a Conversational Recommender System. In AI*IA Advances in Artificial Intelligence. 2018. P. 528–538. URL: https://doi.org/10.1007/978-3-030-03840-3_39
Nugraha M., Baizal Z.K.A., Richasdy D. Chatbot-Based Movie Recommender System Using POS Tagging. Building of Informatics, Technology and Science (BITS). 2022. Vol. 4, No. 2. P. 624–630. URL: https://doi.org/10.47065/bits.v4i2.1908
Padti P. G., Hegde K., Kumar P. Hybrid Movie Recommender System. International Journal of Research in Engineering, Science and Management. Vol. 4, no. 7, 2021. P. 311–314.
Pujahari A., Sisodia D. S. Model-Based Collaborative Filtering for Recommender Systems: An Empirical Survey. In 2020 First International Conference on Power, Control and Computing Technologies (ICPC2T). Raipur, India: IEEE, 2020. P. 443–447. URL: https://doi.org/10.1109/ICPC2T48082.2020.9071454
Singh A., Ramasubramanian K, Shivam S. Building an Enterprise Chatbot: Work with Protected Enterprise Data Using Open Source Frameworks. Berkeley, CA: Apress. 2019. 385 p. URL: https://doi.org/10.1007/978-1-4842-5034-1
Sun J., Zhang A., Pan J., Flores A. Field-matrixed Factorization Machines for Recommender Systems. In WWW’21: Proceedings of the Web Conference. 2021. P. 2828–2837. URL: https://doi.org/10.1145/3442381.3449930
Taddy M. Stochastic Gradient Descent. In Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions. New York: McGraw-Hill. 2019. P. 303–307.
Theosaksomo D., Widyantoro D. H. Conversational Recommender System Chatbot Based on Functional Requirement. In IEEE 13th International Conference on Telecommunication Systems, Services, and Applications (TSSA). 2019. P. 154–159. URL: https://doi.org/10.1109/TSSA48701.2019.8985467
Welcome to pytorch-accelerated’s documentation. URL: https://pytorch-accelerated.readthedocs.io/en/latest
Zhang Y. An Introduction to Matrix factorization and Factorization Machines in Recommendation System, and Beyond. 2022. URL: https://doi.org/10.48550/arXiv.2203.11026
Zhang Z., Lui Y., Zhang Zh. Field-Aware Matrix Factorization for Recommender Systems. IEEE Access. Vol. 6. 2018. P. 45690–45698. URL: https://doi.org/10.1109/ACCESS.2017.2787741
Zhao X., Li X., Liao L., Song D., Cheung W.K. Crafting a time-aware point-of-interest recommendation via pairwise interaction tensor factorization. In Knowledge Science, Engineering and Management. KSEM. 2015. Lecture Notes in Computer Science. Vol. 9403. Cham, Switzerland: Springer. P. 458–470. URL: https://doi.org/10.1007/978-3-319-25159-2_41
