ВИКОРИСТАННЯ СТАНДАРТНИХ МЕТРИК ДЛЯ ОЦІНКИ ЯКОСТІ РЕКОМЕНДАЦІЙ ПРИ ВПРОВАДЖЕННІ НЕЙРОННОЇ МЕРЕЖІ В ПЛАТФОРМУ ДЛЯ РЕКОМЕНДАЦІЇ ВИБІРКОВИХ ОСВІТНІХ КОМПОНЕНТІВ
Ключові слова:
глибоке навчання, рекомендаційна система, нейронні мережі, персоналізоване навчанняАнотація
У роботі представлено підхід на основі нейронної мережі до побудови персоналізованої системи рекомендацій для вибіркових академічних компонентів. Запропонована модель поєднує вбудовування студентів та курсів, фіксуючи приховані ознаки, такі як інтереси, рівні складності та категорії змісту. Багатошарова нейронна архітектура обробляє пари студент-курс для оцінки ймовірності зацікавленості студентів. Система навчається з використанням історичних даних вибору та оптимізується за допомогою бінарної перехресної ентропії або втрати ранжування. Для оцінки використовуються стандартні метрики рекомендацій Top-N, включаючи Precision@10, Recall@10, Mean Average Precision (MAP) та NDCG@10. Експериментальні результати показують значно покращену точність рекомендацій порівняно з класичними методами колаборативної та контентної фільтрації.
Посилання (Бібліографія)
He, X., Liao, L., Zhang, H., Nie, L., Hu, X., & Chua, T.-S. (2017). Neural Collaborative Filtering. In Proceedings of the 26th International Conference on World Wide Web (WWW ’17). https://doi.org/10.1145/3038912.3052569
Cremonesi, P., Koren, Y., & Turrin, R. (2010). Performance of Recommender Algorithms on Top-n Recommendation Tasks. In Proceedings of the Fourth ACM Conference on Recommender Systems.
Järvelin, K., & Kekäläinen, J. (2002). Cumulated gain-based evaluation of IR techniques. ACM Transactions on Information Systems (TOIS), 20(4), 422–446.
Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender Systems Handbook. Springer.
Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep Learning Based Recommender System: A Survey and New Perspectives. ACM Computing Surveys (CSUR), 52(1), 1–38.
