Методи матричної факторизації у рекомендаційних системах в соціальних мережах

Abstract

В цій роботі буде розглянута проблематика рекомендаційної системи з погляду Користувач - Об'єкт почнемо досліджувати різні комбінації мереж BERT із надбудовами матричної факторизації та надалі вибір найкращого класифікатора. для початку потрібно зрозуміти дані та сутності в даних. проблематика рекомендаційних систем є рушійною силою всього бізнесу який зараз будується в глобалізованому світі. кожен магазин сайт додаток який пропонує щось повинен мати алгоритм рекомендації тому актуальність цього дослідження є високою що й показують кількість досліджень останніх років. Мета дослідження розробити алгоритм рекомендаційної системи типу Користувач - Об`єкт який за використання моделей трансформерів буде надавити оптимізовану рекомендацію іншого користувача в соціальні мережі. якщо проговорити результати, то вдалось отримати результати які підвищують середню кількість часу уваги користувача на 15-30% залежно від типу користувача та волатильності сесії користувачів яка залежить від сезонних чинників. методи яки ми розглянемо пізніше тісно перетинаються із методами дослідженими в статтях “TwinBERT [1]” та підкріплюватимуться результатами зі статей [13][3]. серед них комбінація методу TwinBERT надбудованою MF(матрична факторизація) та переліком класифікаторів із досліду [4] які за об'єктивних показників показали себе найкращим способом. Для перевірки якості Рекомендацій буде використано комбінацію методів які базуються на похідних параметрах ефективності рекомендацій та фактичних метриках на експериментальному рівні. Методи протестовані A/B тестуванням та показую відчутний приріст зацікавленості що і є фактичною метрикою яку важко оцінити в експериментальних умовах поза лабораторного середовища. A/B тестування є якісним методом який покаже фактичний приріст методу.This paper will consider the problem of recommendation system from the point of view of the User - Object, we will begin to explore various combinations of BERT networks with matrix factorization add-ons and then select the best classifier. first you need to understand the data and entities in the data. the problem of recommendation systems is the driving force behind all business that is now being built in the globalized world. every store site application that offers something must have a recommendation algorithm, so the relevance of this study is high, as shown by the number of studies. The purpose of the study is to develop an algorithm for a recommender system of the User-Object type that, using transformer models, will push an optimized recommendation of another user to social networks. if we discuss the results, we managed to obtain results that increase the average amount of user attention time by 15-30% depending on the type of user and the volatility of the user session, which depends on seasonal factors. the methods that we will consider later closely overlap with the methods studied in the articles [13][3]"TwinBERT [1]" and will support MF (matrix factorization) and the list of classifiers from the experiment [4], which proved to be the best in terms of objective indicators. A combination of methods based on derived parameters of recommendation effectiveness and actual metrics at the experimental level will be used to test the quality of the recommendations. The methods are tested by A/B testing and show a significant increase in interest, which is the actual matrix that is difficult to evaluate in experimental conditions outside the laboratory environment. In fact, the method combines contextual parameters of user experience and the classical classification model, which gives an increase in recommendation efficiency.