Univerzální doporučovací systém

Abstract

Doporučovací systémy jsou programy, které se uživateli nabízejí objekty (např. knihy nebo hudbu), které by pro něj mohly být zajímavé. Tyto systémy získávají vzrůstající popularitu a jsou intenzivně studovány výzkumnými skupinami po celém světě. Ve webových systémech, jako jsou internetové obchody nebo komunitní servery, bývají obvykle k dispozici různé datové zdroje, které mohou být využity k doporučování, např. atributy uživatelů a objektů, hodnocení objektů uživateli nebo nepřímá zpětná vazba získaná ze zaznamenaného chování uživatele. V této práci představujeme koncept Univerzálního doporučovacího systému (Unresyst), který dokáže využít těchto datových zdrojů a zároveň je doménově nezávislý. V práci navrhujeme způsoby využití systému Unresyst, ze současných metod používaných k doporučování vybíráme jako nejvíce vhodnou knowledge-based metodu kombinovanou s kolaborativním filtrováním. Dále analyzujeme datové zdroje v různých systémech a zobecňujeme je tak, aby byly doménově nezávislé. Navrhujeme architekturu systému Unresyst, popisujeme rozhraní systému a způsoby zpracování datových zdrojů. Dále přizpůsobujeme Unresyst na tři data sety z reálných systémů, vyhodnocujeme přesnost doporučení a srovnáváme ji se současnými algoritmy pro kolaborativní filtrování. Srovnání ukazuje, že kombinování různých...

Recommender systems are programs that aim to present items like songs or books that are likely to be interesting for a user. These systems have become increasingly popular and are intensively studied by research groups all over the world. In web systems, like e-shops or community servers there are usually multiple data sources we can use for recommending, as user and item attributes, user-item rating or implicit feedback from user behaviour. In the thesis, we present a concept of a Universal Recommender System (Unresyst) that can use these data sources and is domain-independent at the same time. We propose how Unresyst can be used. From the contemporary methods of recommending, we choose a knowledge based algorithm combined with collaborative filtering as the most appropriate algorithm for Unresyst. We analyze data sources in various systems and generalize them to be domain-independent. We design the architecture of Unresyst, describe its interfaces and methods for processing the data sources. We adapt Unresyst to three real-world data sets, evaluate the recommendation accuracy results and compare them to a contemporary collaborative filtering recommender. The comparison shows that combining multiple data sources can improve the accuracy of collaborative filtering algorithms and can be used in systems where...