Останні тенденції, виклики та перспективи в області групових рекомендаційних систем

Размещено на http://www.allbest.ru/

Останні тенденції, виклики та перспективи в області групових рекомендаційних систем

Горбатенко Анастасія Артурівна

аспірант кафедри інформаційних систем Інституту Комп'ютерних систем, Національний університет «Одеська Політехніка», Одеса

Годовиченко Микола Анатолійович

доцент кафедри штучного інтелекту та аналізу даних Інституту штучного інтелекту та робототехніки, Національний університет «Одеська Політехніка», Одеса

Анотація

В даній статті розглядаються актуальні аспекти розробки та впровадження групових рекомендаційних систем, які відіграють ключову роль у прийнятті колективних рішень у різноманітних доменах, включаючи розваги, туризм та громадське харчування. Автори аналізують основні тенденції розвитку цих систем, зокрема, застосування алгоритмів машинного навчання для глибшого розуміння групових переваг та динаміки. В статті наголошується на важливості балансування між індивідуальними інтересами учасників групи та викликах, які виникають через необхідність врахування різноманітності їхніх переваг. Окрім того, обговорюється, як динамічна природа групових переваг вимагає від систем рекомендацій здатності швидко адаптуватися до змін у виборі та настроях учасників. Автори вказують на потребу розвитку інноваційних методів у галузі групових рекомендацій, таких як алгоритми, які враховують не тільки поточні переваги, але й можливі зміни в інтересах учасників. Також акцентується на значенні різноманітності та новизни рекомендацій, щоб уникнути одноманітності та забезпечити задоволення широкого спектра потреб учасників групи. Стаття надає перспективу на майбутнє групових рекомендаційних систем, висвітлюючи потенціал інтеграції з іншими технологічними трендами, такими як штучний інтелект та великі дані, що може сприяти створенню більш точних, адаптивних та корисних рекомендаційних систем для групових користувачів. Загальний висновок статті полягає в тому, що групові рекомендаційні системи мають значний потенціал для вдосконалення рекомендаційних послуг у відповідь на зростаючі потреби та очікування користувачів у сучасному інформаційному середовищі. Розглядаються також можливості розширення застосування групових рекомендаційних систем в різних галузях, включаючи електронну комерцію, освіту, здоров'я та інші.

Ключові слова: рекомендаційні системи, машинне навчання, глибинне навчання, агрегація даних, штучний інтелект.

Abstract

Gorbatenko Anastasiia Arturivna PhD Student of Information Systems Department Institute of Computer Science, Odesa Polytechnic National University, Odesa

Hodovychenko Mykola Anatoliiovych Ph.D., Associate prof, of the Department of Artificial Intelligence and Data Analysis Institute of Artificial Intelligence and Robotics, Odesa Polytechnic National University, Odesa

RECENT DEVELOPMENTS, CHALLENGES AND OPPORTUNITIES IN GROUP RECOMMENDER SYSTEMS

This article discusses relevant aspects of the development and implementation of group recommender systems, which play a key role in collective decision-making in various domains, including entertainment, tourism, and catering. The authors analyze the main trends in the development of these systems, in particular, the use of machine learning algorithms for a deeper understanding of group preferences and dynamics. The article emphasizes the importance of balancing the individual interests of group members and the challenges that arise from the need to take into account the diversity of their preferences. It also discusses how the dynamic nature of group preferences requires recommender systems to be able to quickly adapt to changes in participants' choices and moods. The authors point out the need to develop innovative methods in the field of group recommendations, such as algorithms that take into account not only current preferences but also possible changes in the interests of participants. They also emphasize the importance of diversity and novelty of recommendations to avoid monotony and ensure that a wide range of group members' needs are met. The article provides a perspective on the future of group recommender systems by highlighting the potential for integration with other technology trends, such as artificial intelligence and big data, which can contribute to the creation of more accurate, adaptive, and useful recommender systems for group users. The overall conclusion of the article is that group recommender systems have significant potential for improving recommendation services in response to the growing needs and expectations of users in the modern information environment. The article also considers the possibilities of expanding the use of group recommender systems in various industries, including e-commerce, education, healthcare, and others.

Keywords: recommendation systems, machine learning, deep learning, data aggregation, artificial intelligence.

Постановка завдання

У зв'язку з ростом обсягу інформації, доступної через Інтернет, спостерігається збільшення сценаріїв, коли користувачам пропонується все більша кількість альтернатив, що ускладнює процес вибору оптимального варіанту.

Це явище, відоме як інформаційне перевантаження, виникає через збільшення кількості доступних альтернатив та інформаційного обсягу, що супроводжує кожну з них, перешкоджаючи користувачу в огляді всіх можливих варіантів для вибору найбільш придатного. Таким чином, виявлення продуктів, що найкращим чином задовольняють уподобання та потреби користувачів, стає важливою задачею в сучасному контексті.

Аналіз останніх досліджень і публікацій

групові рекомендаційні системи

У науковій літературі представлені різноманітні методології для розв'язання проблеми інформаційного перевантаження, серед яких виокремлюється персоналізація, як підхід, зорієнтований на аналіз індивідуальних інтересів та потреб користувачів з метою фільтрації та презентації лише релевантного контенту [1]. Для оптимізації процесу фільтрації інформації розроблені рекомендаційні системи, які автоматично ідентифікують та надають користувачам інформацію, адаптовану до їхніх унікальних уподобань і потреб [2].

Рекомендаційні системи є ефективним механізмом персоналізації, що сприяє мінімізації інформаційного перевантаження у обширних інформаційних просторах. Ці системи відіграють ключову роль у забезпеченні релевантності інформації для кінцевих користувачів у різноманітних доменах.

Дослідження демонструють високу ефективність рекомендаційних систем у секторах, таких як електронна комерція, електронне навчання, електронний туризм, управління веб-контентом та фінансові інвестиції. Це підтверджується численними дослідженнями у вказаних областях, що вказує на універсальність та значний потенціал застосування рекомендаційних систем у різних галузях [3].

Проте, варто зазначити, що деякі продукти мають соціальні функції та часто спільно споживаються групами осіб. У науковій літературі виокремлено різноманітні соціальні об'єкти, такі як фільми, музика, туристичні пам'ятки та телевізійні програми, які часто вживаються у групах. Ці колективні сценарії споживання вимагають підходів, що забезпечують врахування інтересів та вподобань всієї групи, а не лише індивідуальних членів. Групові рекомендаційні системи, які розробляються з метою задоволення загальних потреб групи, відіграють ключову роль у вирішенні цього завдання, дозволяючи визначати об'єкти, які оптимально відповідають колективним уподобанням і потребам.

Мета статі - дослідження структури, типів та перспектив використання групових рекомендаційних систем та можливих шляхів підвищення їх ефективності.

Виклад основного матеріалу

Принципи розробки групових рекомендаційних систем можна описати з використанням схеми, що представлена на рисунку 1.

Дана схема виокремлює основні компоненти, які відіграють вирішальну роль у формуванні групових рекомендацій, включаючи формування групи та генерацію рекомендацій. В процесі формування групи необхідно враховувати різноманітні аспекти, такі як спільні інтереси учасників, їхня сумісна діяльність або проживання в одній локації. Агрегація рекомендацій може також суттєво вплинути на процес створення групи [4].

Для розробки ефективної групової рекомендаційної системи, критично важливим є процес створення групи, за яким слідує етап генерування рекомендацій.

Цей процес вимагає інтеграції різноманітних факторів, які сприяють формуванню груп користувачів з аналогічними інтересами. Варто відзначити, що дослідницький інтерес до групових рекомендаційних систем знаходиться на початковій стадії, і потребує глибшого вивчення для всебічного розуміння їхнього потенціалу та обмежень. Однак, зростаюча кількість публікацій у цій області підтверджує її значущість, і можна очікувати, що групові рекомендаційні системи набудуть ширшого розповсюдження у майбутньому.

Перше розрізнення, яке необхідно зробити при вивченні групових рекомендаційних систем - це фактичний елемент, який рекомендується. Таким чином, існує два типи групових рекомендаційних систем [5]:

Рис.1 Загальна схема групової рекомендаційної системи

Крім того, ця рекомендаційна система враховує стан активності, тобто, якщо активність починається, триває або наближається до завершення. Крім того, якщо активність є приватною, творець вибирає людей, які будуть про неї поінформовані [8]. У випадку публічних заходів, користувачі самі шукають їх, а система підтримує їх, фільтруючи відповідні заходи. Користувачі також можуть шукати поточні активності, до яких можна приєднатися, і, таким чином, система враховує контекст користувача і групи, щоб показати найкращі соціальні активності, які їм підходять. Дослідження показує, що характеристика різноманітності та регулярності групових подій призводить до кращого моделювання рекомендацій щодо групової активності. Це підтверджується експериментом, в якому система порівнюється з методикою, яка не враховує характеристику групи і контекст. Результати доводять, що ці особливості забезпечують збільшення корисності рекомендацій до 30% [9].

В групових рекомендаційних системах, які надають рекомендації групам, група користувачів шукає відповідний товар для спільного використання серед великої кількості альтернатив, тому завдання системи - знайти товар або товари, які найкраще відповідають інтересам і потребам групи [10]. В дослідженні [11] було виявлено, що існують різні поняття групи: створені групи; епізодичні групи; випадкові групи; автоматично виявлені групи.

Це дослідження зосереджується на епізодичних групах людей, які мають певну спільну мету, наприклад, спільний перегляд фільму або похід до ресторану. При побудові групових рекомендаційних систем важливо враховувати тип групи, яка отримує рекомендацію, та відповідну групову динаміку, щоб визначити найкращий підхід до надання рекомендацій.

Проблему групових рекомендацій можна формалізувати наступним чином:

де G - цільова група, I - множина доступних елементів, Pred(Ga,Ik) - функція, яка визначає значення корисності елемента ik для членів групи Ga.

Залежно від ступеня інтеракції між членами групи, методи групових рекомендацій можна класифікувати на дві категорії: підходи, засновані на пам'яті, та підходи, засновані на моделях [12]. Підходи на основі пам'яті характеризуються відсутністю або незначною взаємодією між членами групи, де агрегація вподобань є основним механізмом формування рекомендацій. Натомість, підходи на основі моделей використовують методи машинного навчання для розробки комплексного представлення групи, що дозволяє досягти більш високої ефективності рекомендацій. Емпіричні дані зазвичай вказують на те, що модельні підходи перевершують підходи, засновані на пам'яті, за загальною продуктивністю [13].

Групові рекомендаційні системи на основі пам'яті. Агрегація переваг є домінуючим методом у групових рекомендаційних системах. Літературний огляд показує, що агрегацію вподобань можна поділити на дві основні категорії: агрегацію результатів та агрегацію профілів, кожна з яких має власні методологічні особливості в контексті генерації групових рекомендацій. Агрегація результатів інтегрує індивідуальні рекомендації усіх учасників групи для формування єдиної групової рекомендації. Наприклад, в роботі [14] були використані методи агрегації рангів для синтезу групових рекомендацій. З іншого боку, агрегація профілів передбачає створення персоналізованих рекомендацій для віртуального користувача, який представляє колективні переваги групи. В контексті новітніх розробок, таких як використання графових нейронних мереж, автори роботи [15] запропонували модель довірчих групових рекомендацій, що поєднує обидва підходи агрегації. Загалом, більшість досліджень у цій області зосереджуються на наданні групових рекомендацій після завершення процесу агрегації вподобань.

Різноманітні методології агрегації вподобань у групових рекомендаціях можна поділити на категорії, засновані на мажоритарності, консенсусі та граничних підходах [16]. Методи, засновані на мажоритарності, такі як плюралістичне голосування, впроваджують принцип «перемога більшості», де вибір здійснюється згідно з найвищим числом голосів, упорядковуючи опції за популярністю серед групи. Стратегії, засновані на консенсусі, включають методи, такі як:

визначення середнього значення, де вибір відбувається на основі загального середнього рейтингу групи;

«середнє без страждань», що виключає оцінки нижче певного порогу для вирівнювання рейтингу;

«справедливість», яка забезпечує черговість вибору, гарантуючи, що кожен учасник групи має можливість впливати на вибір.

Граничні стратегії агрегації у групових рекомендаціях зазвичай орієнтовані на мінімізацію незадоволення або максимізацію задоволення в межах групи. Концепція «найменшого страждання» передбачає вибір опцій на основі найнижчого індивідуального рейтингу в групі, виходячи з припущення, що пріоритет надається мінімізації невдоволення найменш задоволеного члена. Навпаки, підхід «найбільшого задоволення» заснований на найвищому індивідуальному рейтингу, відображаючи інтереси найбільш задоволеного члена групи [17].

Вибір підходу залежить від конкретного контексту групової взаємодії. Наприклад, стратегія «середнього значення» може бути оптимальною для гомогенних груп, але менш ефективною для гетерогенних груп. У дослідженні [18] була запропонована методологія для ефективного виявлення «справедливих» рекомендацій, спрямовану на поліпшення рівності у групових рекомендаційних системах.

Групові рекомендаційні системи на основі моделей. На відміну від підходів на основі пам'яті, підходи на основі моделей покладаються на методи машинного навчання, такі як злиття інформації, теорія ігор та імовірнісні моделі, для вилучення релевантних ознак із взаємодій користувачів. Метод глибокого навчання, зокрема, став важливим компонентом групових рекомендаційних систем, оскільки він дозволяє інтегрувати різні зовнішні ознаки, такі як соціальні ознаки, описові ознаки групи та знання здорового глузду, що може підвищити ефективність рекомендацій.

Кілька досліджень вивчали використання глибокого навчання в групових рекомендаціях. Наприклад, в роботі [19], автори агрегували особисті вподобання та соціальний вплив, щоб генерувати рекомендації для випадкових груп. В роботі [20] автори генерували групові рекомендації за допомогою карти знань та методу кластеризації. В роботі [21] були використана мережа уваги та нейронна колаборативна фільтрація для навчання стратегії агрегації безпосередньо з даних.

Механізм уваги, який має природну перевагу в агрегації ознак, став популярною технікою в групових рекомендаціях. Автори роботи [22] застосували механізм мультиуваги до методу глибокого навчання в групових рекомендаціях, тоді як автори роботи [23] об'єднали послідовні та групові рекомендації, використовуючи підхід графового представлення. В роботі [24] механізм самоуваги використовується для вивчення ваги переваг між членами групи, яка потім агрегується для генерації рекомендацій.

З метою подолання дуже розрідженої взаємодії між елементами групи в групових рекомендаціях, автори роботи [25] запропонували самокеровану систему навчання на гіперграфах, яка включає ієрархічну мережу згортки гіперграфів на основі гіперграфів рівня користувача та групи, а також двомасштабну стратегію втрати вузлів.

Створення самоконтрольованих сигналів, перші з яких використо-вуються для фіксації внутрішньогрупових і міжгрупових взаємодій, а другі - для зменшення розрідженості вихідних даних. Автори роботи [26] визначили проблему холодного старту групової рекомендації як групову рекомендацію на основі групового неявного зворотного зв'язку, розглянули питання особистої конфіденційності користувача і запропонували модель, яка використовує групові неявні дані для групової рекомендації. Автори роботи [27] запропонували метод попереднього навчання та точного налаштування для проблеми тимчасової групової рекомендації. Здатність цього методу до вираження розширюється для фіксації групових переваг. На етапі попереднього навчання використовуються три завдання для полегшення проблем розрідженості та холодного старту, а також розробляється цільова вага для точного налаштування.

Автори роботи [28] вважали, що існує проблема з представленням вподобань користувачів і груп точками в просторі, і запропонували модель, засновану на гіперкубах, шляхом навчання групових гіперкубів на основі вбудовування користувачів під час агрегації вподобань, з покращеними показниками метрики відстані, групових гіперкубів і спорідненості між точками елементів, вирішуючи проблему розрідженості даних шляхом перетину двох груп у поєднанні з самоспостереженням.

Незважаючи на численні методи на основі глибокого навчання, запропоновані для групових рекомендацій, ефективність рекомендацій все ще залишається незадовільною через рідкісні та різноманітні вподобання групових користувачів. Для вирішення цих проблем і підвищення ефективності рекомендацій необхідні подальші дослідження.

Пакетні групові рекомендаційні системи. Пакетні рекомендації можуть скоротити час, витрачений користувачами, і збільшити дохід від продажів, одночасно задовольняючи потреби користувачів, продаючи два або більше товарів як єдине ціле.

Найбільш типовим прикладом є «пивний підгузник» Wal-Mart у 1980-х роках, тобто розміщення підгузників і пива в одному місці в певний час, що не тільки збільшило операційний дохід, але й заощадило час користувачів на покупки [29].

Автори роботи [30] запропонували правило майнінгу, яке можна вважати теоретичною основою для рекомендацій щодо «пакування». Мета групової рекомендації - рекомендувати товари групі людей, які мають щось спільне, тоді як мета пакетної рекомендації - рекомендувати пакетний товар користувачам в цілому. Таким чином, групові та комплексні рекомендації мають багато спільного.

Ми можемо думати про групові рекомендації як про рекомендації для груп товарів. Автори роботи [31] запропонували мережу генерації променів, яка розкладає структуровану проблему прогнозування на частини якості та різноманітності за допомогою процесу визначальної точки і полегшує недостатнє вираження за допомогою структури кодера-декодера і запропонованого функціоналу softmax, що враховує особливості, за допомогою пошуку замаскованого променя і вибору для рекомендації. На основі графової згорткової нейронної мережі, автори роботи [32] запропонували новий фреймворк. Завдяки інтеграції трьох агрегаторів, які можуть розрізняти різні типи взаємодій у фреймворку, агрегатор може вивчати вирази вбудовування вузлів з околиць та околиць високого порядку.

Автори роботи [33] запропонували задачу рекомендацій для багатораундових рекомендацій розмов, а також запропонували модель, яка використовує марковський процес прийняття рішень декількома агентами для рекомендацій.

В роботі [34] була запропонована модель, яка розділяє наміри користувача з двох точок зору, глобальної та локальної, і точно та всебічно відображає різноманітність намірів користувача та асоціацій з елементами на більш високому рівні деталізації.

Автори роботи [35] запропонували модель, засновану на трансформерах, щоб зафіксувати зв'язок між товаром та іншими товарами в наборі, підвищуючи точність рекомендацій.

Висновки

Групові рекомендаційні системи набули значної актуальності у контексті адресації потреб колективного вибору у різноманітних сферах, включаючи вибір фільмів, організацію спільних подорожей та визначення місць загального відпочинку.

Основним викликом для цих систем є необхідність збалансування інтересів різних учасників, а також адаптація до динамічно змінюваних групових переваг.

Ці системи мають забезпечувати не лише релевантність та актуальність рекомендацій, але й різноманітність та новизну, щоб задовольнити вимоги всіх членів групи. Підвищення ефективності групових рекомендаційних систем залежить від застосування передових технік машинного навчання, які можуть допомогти краще розуміти складні групові переваги.

Важливим є розвиток алгоритмів, здатних адаптувати рекомендації до специфіки кожної групи, враховуючи індивідуальні переваги її членів. Залучення користувачів до процесу рекомендації може значно покращити їхнє задоволення від отриманих результатів, оскільки активна участь дозволяє точніше відображати їхні бажання та потреби.

Література:

1. Silveira, T. «How good your recommender system is? A survey on evaluations in recommendation». International Journal of Machine Learning and Cybernetics. 2019; 10 (5): 813-831.

2. Haruna, K. «Context-aware recommender system: A review of recent developmental process and future research direction». Applied Sciences. 2017; 7 (12): 1211-1220.

3. Chen, W. «A survey of deep nonnegative matrix factorization». Neurocomputing. 2022; 491 (1): 305-320.

4. Van Dat, N. «Solving distribution problems in content-based recommendation system with gaussian mixture model». Applied Intelligence. 2022; 52 (2): 1602-1614.

5. Barkan, O. «Anchor-based collaborative filtering». Proceedings of the 30th ACM International Conference on Information Knowledge Management. 2021; 1 (1): 2877-2881.

6. Guo, Q. «A survey on knowledge graph-based recommender systems». IEEE Transactions on Knowledge and Data Engineering. 2020; 34 (8): 3549-3568.

7. Xin, X. «Cfm: Convolutional factorization machines for context-aware recommendation». IJCAI. 2019; 19 (1): 3926-3932.

8. Biswas, P. «A hybrid recommender system for recommending smartphones to prospective customers». Expert Systems with Applications. 2022; 208 (1): 118 - 128.

9. Deldjoo, Y. “Using visual features based on mpeg-7 and deep learning for movie recommendation». International journal of multimedia information retrieval. 2018; 7 (4): 207-219.

10. Zhang, S. «Deep learning-based recommender system: A survey and new perspectives». ACM computing surveys (CSUR). 2019; 52 (1): 1-38.

11. Liu, Y. «A novel deep hybrid recommender system based on auto-encoder with neural collaborative filtering». Big Data Mining and Analytics. 2018; 1 (3): 211-221.

12. Ray, B. «An ensemble-based hotel recommender system using sentiment analysis and aspect categorization of hotel reviews». Applied Soft Computing. 2021; 98 (1); 106-125.

13. Pham, P. «A hierarchical fused fuzzy deep neural network with heterogeneous network embedding for recommendation». Information Sciences. 2023; 620 (1): 105-124.

14. Velickovic, P. «Graph attention networks». Stat. 2017; 1050 (20):10-48.

15. Asim, M. «Content Based Call for Papers Recommendation to Researchers». International Conference on Open Source Systems and Technologies (ICOSST). 2018; 1 (1): 42-47.

16. Liu, T. «A review of deep learning-based recommender system in e-learning environments». Artificial Intelligence Review. 2022; 55 (8): 5953-5980.

17. Kiran, R. «Dnnrec: A novel deep learning based hybrid recommender system». Expert Systems with Applications. 2020; 144 (1): 113-130.

18. Kunaver, M. «Diversity in recommender systems - A survey». Knowledge-Based Systems. 2017; 123 (1): 154-162.

19. Amato, F. «Sos: a multimedia recommender system for online social networks». Future generation computer systems. 2019; 93 (1): 914-923.

20. Kumar, C. «Automatically detecting groups using locality-sensitive hashing in group recommendations». Information Sciences. 2022; 601 (1): 207-223.

21. Fang, L. «Differentially private recommender system with variational autoencoders». Knowledge-Based Systems. 2022; 250 (1): 109-130.

22. Zhao, S. «Multi-view intent disentangle graph networks for bundle recommendation». Proceedings of the AAAI Conference on Artificial Intelligence. 2022; 36 (4): 4379-4387.

23. Raza, S. «Progress in context-aware recommender systems--an overview». Computer Science Review. 2019; 31 (1): 84-97.

24. Vijayakumar, V. «Effective knowledge-based recommender system for tailored multiple point of interest recommendation». International Journal of Web Portals (IJWP). 2019; 11 (1): 1-18.

25. Tang, J. «Adversarial training towards robust multimedia recommender system». IEEE Transactions on Knowledge and Data Engineering. 2019; 32 (5): 855-867.

26. Polignano, M. «Towards emotion-aware recommender systems: an affective coherence model based on emotion-driven behaviors». Expert Systems with Applications. 2021; 170 (1): 114-130.

27. Huang, Z. «A novel group recommendation model with two-stage deep learning». IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2021; 52 (9): 5853-5864.

28. Wang, H. «Group recommendation via self-attention and collaborative metric learning model». IEEE Access. 2019; 7 (1): 164844-164855.

29. Zan, S. «Uda: A user-difference attention for group recommendation». Information Sciences. 2021; 571 (1): 401-417.

30. Unger, A. «Context-aware recommendations based on deep learning frameworks». ACM Transactions on Management Information Systems (TMIS). 2020; 11 (2): 1-15.

31. Lehmann, J. «Dbpedia - a large-scale, multilingual knowledge base extracted from Wikipedia». Semantic Web. 2015; 6 (2): 167-195.

32. Zhu, H., Ni, Y. & Zheng, Q. «A group-oriented recommendation algorithm based on similarities of personal learning generative networks». IEEE Access. 2018; 1 (1): 42729-42739.

33. Ma, X. «Newly published scientific papers recommendation in heterogeneous information networks». Mobile Networks and Applications. 2019; 24 (1): 69-79.

34. Chen, C. «Collaborative similarity embedding for recommender systems». World Wide Web Conference. 2019; 1 (1): 2637-2643.

35. Xia, L. «Knowledge-enhanced hierarchical graph transformer network for multi-behavior recommendation». Proceedings of the AAAI Conference on Artificial Intelligence. 2021; 35 (5): 4486-4493.

References:

1. Silveira, T. «How good your recommender system is? A survey on evaluations in recommendation». International Journal of Machine Learning and Cybernetics. 2019; 10 (5): 813-831.

2. Haruna, K. «Context-aware recommender system: A review of recent developmental process and future research direction». Applied Sciences. 2017; 7 (12): 1211-1220.

3. Chen, W. «A survey of deep nonnegative matrix factorization». Neurocomputing. 2022; 491 (1): 305-320.

4. Van Dat, N. «Solving distribution problems in content-based recommendation system with gaussian mixture model». Applied Intelligence. 2022; 52 (2): 1602-1614.

5. Barkan, O. «Anchor-based collaborative filtering». Proceedings of the 30th ACM International Conference on Information Knowledge Management. 2021; 1 (1): 2877-2881.

6. Guo, Q. «A survey on knowledge graph-based recommender systems». IEEE Transactions on Knowledge and Data Engineering. 2020; 34 (8): 3549-3568.

7. Xin, X. «Cfm: Convolutional factorization machines for context-aware recommendation». IJCAI. 2019; 19 (1): 3926-3932.

8. Biswas, P. «A hybrid recommender system for recommending smartphones to prospective customers». Expert Systems with Applications. 2022; 208 (1): 118 - 128.

9. Deldjoo, Y. “Using visual features based on mpeg-7 and deep learning for movie recommendation». International journal of multimedia information retrieval. 2018; 7 (4): 207-219.

10. Zhang, S. «Deep learning-based recommender system: A survey and new perspectives». ACM computing surveys (CSUR). 2019; 52 (1): 1-38.

11. Liu, Y. «A novel deep hybrid recommender system based on auto-encoder with neural collaborative filtering». Big Data Mining and Analytics. 2018; 1 (3): 211-221.

12. Ray, B. «An ensemble-based hotel recommender system using sentiment analysis and aspect categorization of hotel reviews». Applied Soft Computing. 2021; 98 (1); 106-125.

13. Pham, P. «A hierarchical fused fuzzy deep neural network with heterogeneous network embedding for recommendation». Information Sciences. 2023; 620 (1): 105-124.

14. Velickovic, P. «Graph attention networks». Stat. 2017; 1050 (20):10-48.

15. Asim, M. «Content Based Call for Papers Recommendation to Researchers». International Conference on Open Source Systems and Technologies (ICOSST). 2018; 1 (1): 42-47.

16. Liu, T. «A review of deep learning-based recommender system in e-learning environments». Artificial Intelligence Review. 2022; 55 (8): 5953-5980.

17. Kiran, R. «Dnnrec: A novel deep learning based hybrid recommender system». Expert Systems with Applications. 2020; 144 (1): 113-130.

18. Kunaver, M. «Diversity in recommender systems - A survey». Knowledge-Based Systems. 2017; 123 (1): 154-162.

19. Amato, F. «Sos: a multimedia recommender system for online social networks». Future generation computer systems. 2019; 93 (1): 914-923.

20. Kumar, C. «Automatically detecting groups using locality-sensitive hashing in group recommendations». Information Sciences. 2022; 601 (1): 207-223.

21. Fang, L. «Differentially private recommender system with variational autoencoders». Knowledge-Based Systems. 2022; 250 (1): 109-130.

22. Zhao, S. «Multi-view intent disentangle graph networks for bundle recommendation». Proceedings of the AAAI Conference on Artificial Intelligence. 2022; 36 (4): 4379-4387.

23. Raza, S. «Progress in context-aware recommender systems--an overview». Computer Science Review. 2019; 31 (1): 84-97.

24. Vijayakumar, V. «Effective knowledge-based recommender system for tailored multiple point of interest recommendation». International Journal of Web Portals (IJWP). 2019; 11 (1): 1-18.

25. Tang, J. «Adversarial training towards robust multimedia recommender system». IEEE Transactions on Knowledge and Data Engineering. 2019; 32 (5): 855-867.

26. Polignano, M. «Towards emotion-aware recommender systems: an affective coherence model based on emotion-driven behaviors». Expert Systems with Applications. 2021; 170 (1): 114-130.

27. Huang, Z. «A novel group recommendation model with two-stage deep learning». IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2021; 52 (9): 5853-5864.

28. Wang, H. «Group recommendation via self-attention and collaborative metric learning model». IEEE Access. 2019; 7 (1): 164844-164855.

29. Zan, S. «Uda: A user-difference attention for group recommendation». Information Sciences. 2021; 571 (1): 401-417.

30. Unger, A. «Context-aware recommendations based on deep learning frameworks». ACM Transactions on Management Information Systems (TMIS). 2020; 11 (2): 1-15.

31. Lehmann, J. «Dbpedia - a large-scale, multilingual knowledge base extracted from Wikipedia». Semantic Web. 2015; 6 (2): 167-195.

32. Zhu, H., Ni, Y. & Zheng, Q. «A group-oriented recommendation algorithm based on similarities of personal learning generative networks». IEEE Access. 2018; 1 (1): 42729-42739.

33. Ma, X. «Newly published scientific papers recommendation in heterogeneous information networks». Mobile Networks and Applications. 2019; 24 (1): 69-79.

34. Chen, C. «Collaborative similarity embedding for recommender systems». World Wide Web Conference. 2019; 1 (1): 2637-2643.

35. Xia, L. «Knowledge-enhanced hierarchical graph transformer network for multi-behavior recommendation». Proceedings of the AAAI Conference on Artificial Intelligence. 2021; 35 (5): 4486-4493.

Размещено на Allbest.ru