Recommendation systems techniques based on generative models and matrix factorization: a survey

Abstract

Спільна фільтрація (CF) це техніка, яка може відфільтрувати елементи, які можуть сподобатися користувачеві, на основі поведінки та вподобань подібних користувачів. Це ключовий метод, що сприяє створенню ефективної системи рекомендацій (RS). Системи рекомендацій на основі моделі, підмножина CF, використовують дані, зазвичай рейтинги, для побудови моделей для надання персоналізованих пропозицій користувачам. Мета цієї роботи полягає в тому, щоб надати всебічний огляд різних методів, що використовуються в модельному RS, зосереджуючись на їх теоретичних основах і практичному застосуванні. Досліджуються основні проблеми, пов’язані з рекомендаціями, включно з проблемою top-N рекомендацій, і досліджуються найсучасніші методи на основі моделей, які використовуються для вирішення цих проблем. У цьому огляді розділено ці методи на три окремі класи: матрична факторізація, методи на основі подібності та методи на основі заповнення. Щоб порівняти їх ефективність, оцінено ці методи за наборами даних MovieLens за допомогою двох показників: середньої середньої точності (MAP), нормалізованого дисконтованого сукупного виграшу (NDCG), точності та повноти.Collaborative filtering (CF) is a technique that can filter out items that a user might like based on the behaviors and preferences of similar users. It is a key en-abler technique for aneffective recommendation system (RS). Model-based recommendation systems, a subset of CF, use data, typically ratings, to construct models for providing personalized suggestions to users. Our objective in this work is to provide a comprehensive overview of various techniques employed in Model-basedRS, focusing on their theoretical foundations and practical applications. We explore the core challenges associated with recommendation, including the top-N recommendation problem, and explore the state-of-the-art model-based methods used to address these challenges. In this survey, we categorize these techniques into three distinct classes: matrix factorization, similarity-based, and completion-based methods. To compare their performance, we evaluated these techniques over the MovieLens datasets using two metrics: Mean Average Precision (MAP), Normalized Discounted Cumulative Gain (NDCG), precision and recall