Таксономия рекомендательных систем. Алгоритмы рекомендаций в персонализированных рекомендательных системах. Контентный метод или фильтр информации, основанный на содержании. Составление словарей для инструмента анализа отзывов с помощью "Sketch Engine".
Глава 1. Основные проблемы рекомендательных систем Глава 2. Таксономия рекомендательных систем 2.1 Сфера 2.2 Цель 2.3 Контекст рекомендации 2.4 Чьи мнения ложатся в основу рекомендации 2.5 Уровень персонализации 2.6 Личная информация и степень доверия к системе 2.7 Интерфейс 2.7.1 Тип выходных данных 2.7.2 Тип входных данных 2.8 Алгоритмы 2.8.1 Алгоритмы рекомендаций в не персонализированных рекомендательных системах 2.8.2 Метод обобщённого мнения 2.8.3 Метод ассоциации продуктов 2.8.4 Алгоритмы рекомендаций в персонализированных рекомендательных системах 2.85 Контентный метод или фильтр информации, основанный на содержании 2.8.6 Метод, основанный на знаниях 2.8.7 Метод коллаборативной фильтрации 2.8.8 Мультиатрибутивные рекомендательные системы 2.8.9 Рекомендательные системы, основанные на пользовательских отзывах 2.8.10 Гибридные рекомендательные системы Глава 3. Исследование 4.1 Сбор отзывов с сайта 4.2 Составление словарей для инструмента анализа отзывов с помощью “Sketch Engine” 4.2.1 Извлечение ключевых слов и словосочетаний из корпуса. Функция “Keywords/terms” 4.2.2 Составление тезаурусов для каждого параметра. Функция “Thesaurus” 4.2.3 Извлечение слов, которые часто встречаются вместе с исследуемыми словами. Функция “Concordance” 4.2.5 Использование вышеперечисленных функций на материале корпуса «Недостатки» 4.3 Разработка программы анализа отзывов 4.4 Оценка результатов. В связи с этим, в ситуации растущего информационного потока необходимость существования механизма, способного фильтровать данные из Интернета и увеличивать скорость обработки информации, становится неоспоримой. рекомендация отзыв словарь контентный Первые разработки рекомендательных систем относятся к началу 90-х годов (Adomavicius, Tuzhilin, 2005), однако тому, что их создание вышло на новый уровень, послужил конкурс Netflix Prize (Bennett, Lanning, 2007), организованный в 2006 году компанией Netflix (Глибовец, Сидоренко, 2012). В своём «Руководстве по рекомендательным системам» Риччи, Рока и Шапира определяют рекомендательные системы (РС) как «инструменты и методы программного обеспечения, которые составляют предположения о том, какие объекты могут быть полезны пользователю. В своей статье «Рекомендательные приложения в электронной торговле» Шафер, Констан и Ридл говорят о том, что развитие электронной торговли и появление онлайн-магазинов позволило их владельцам предоставить пользователям более широкий выбор. Чтобы справиться с этим избытком информации, в онлайн-магазинах применяют принципы массовой кастомизации не к продуктам, а к тому, как они представлены в онлайн-магазине. В таком случае ей остаётся только обработать все возможные данные, которые уже имеются в её распоряжении. Основные типы данных, на которые опирается РС при составлении рекомендации: 1) Оценки (лайк или дислайк, по шкале от 1 до 5, и т.д.); 2) переходы по ссылке, время, проведённое на странице, купил пользователь этот товар или нет. К примеру, пользователь мог не поставить ни одного лайка или не купить ни одного товара за все свои посещения. При таком подходе предпочтение пользователя может быть представлено в виде веса и/или значения, которое придаётся каждому из атрибутов (Chen, Chen and Wang, 2015). В последнее время рекомендательные системы всё чаще используются и в социальных сетях, таких как «Вконтакте», «Facebook» и т.д. Механизм анализа отзывов был разработан для секции «Ноутбуки» с сайта «Яндекс Маркет», поэтому он относится к сфере электронной торговли. 2. Цель.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
