Аннотация:Рекомендательные системы используются в машинном обучении и методах интеллектуального анализа данных (“Data mining”) для получения и обработки скрытой информации, они могут предсказать, понравится ли пользователю предложенный ресурс. На сегодняшний день предлагается множество рекомендательных алгоритмов, среди которых двумя наиболее известными и используемыми методами являются коллаборативная фильтрация [collaborative filtering] и фильтрация содержимого (контента) [content-based filtering]. Рекомендательные системы на основе коллаборативной фильтрации рекомендуют объекты путем идентификации других пользователей со схожими предпочтениями и используют их мнения для рекомендации. Рекомендательные системы на основе фильтрации содержимого предлагают объекты, базируясь на содержащейся в них информации. Основные проблемы этих систем - масштабируемость, разреженность данных, чрезмерная специализация и проблема холодного старта, что приводит к низкому качеству рекомендации и уменьшению охвата системы.
Гибридные рекомендательные системы комбинируют отдельные системы, чтобы преодолеть некоторые вышеперечисленные ограничения. В этой работе предлагается переключаемая гибридная рекомендательная система, комбинирующая наивный байесовский классификатор и коллаборативную фильтрацию. Результаты, полученные в ходе работы над реальным набором данных, показывают, что предложенный алгоритм 〖Rec〗_NBCF масштабируем и эффективнее в смысле точности и охвата, чем другие алгоритмы, и в то же время устраняет некоторые описанные выше проблемы рекомендательных систем.