Socialinių tinklų panašumo modelių efektyvumas

Abstract

Baigiamajame magistro darbe yra nagrinėjamos pagrindinės rekomendacinių sistemų socialiniuose tinkluose problemos: rekomendacijų tikslumas, pasyvūs vartotojai, neaiškios rekomendacijos. Iškeliami pagrindiniai tikslai, kuriais siekiama išanalizuoti rekomendacinių sistemų veikimo principus ir pasiūlyti metodą rekomendacinės sistemos efektyvumui ir rekomendacijų tikslumui gerinti. Analizuojama užsienio literatūra, atliekamas eksperimentas su realia duomenų baze. Analizuoti rezultatai vertinami skirtingų vartotojų grupių (pasyvūs, aktyvūs, tarpiniai vartotojai), analizuojamas kiekvienos grupės poveikis bendram rezultatui. Aprašytos aiškios rekomendacijos ir pateikti jų pavyzdžiai. Rezultatai vertinti trimis skirtingais kriterijais: PAP, PAVP ir ĮA. Pirmi du rodo skaičiavimo nuokrypius, trečiasis – įverčių apimtį. Atlikti penki bandymai skirtingomis sąlygomis ir pateikti kiekvieno bandymo bei bendri rezultatai. Išsikelti tikslai yra įgyvendinti, nes analizuojant gautus rezultatus, tiek bendras rekomendacijų tikslumas, tiek pasyvių vartotojų pagerėjo. Bendras pagerėjo 4% ir 11%, pasyvių vartotojų – 11% ir 17%. Darbe aprašomas modelis gali būti nesunkiai pritaikomas rekomendacinei sistemai. Šis baigiamasis darbas gali būti naudojamas kaip pagrindas ar literatūros šaltinis tolesniems tyrimams Lietuvoje.

The thesis analyses the main problems of recommender systems in social networks: the accuracy of recommendations, cold start users, uncertain recommendations. The main goals are raised, which are used to analyze the principles of processes in recommender systems, and to offer a novel method to improve the efficiency and the accuracy of recommendations. The foreign articles are discussed and the new method is implemented on an existing data set. The results are evaluated according to the different groups of users (cold start users, heavy raters and intermediate users) and the effect of each group to the main result is analyzed. The transparent recommendations are explained with the examples. The results are evaluated using three different metrics: MAE, MAUE and RC. The first two determine the deviation of the calculations the third determines the coverage of the ratings. Five experiments were made with different conditions and the results of each are presented along with the general results. The held purposes were accomplished because the accuracy of recommendations increased for all users and for cold start users as well. The benefit of the accuracy for all users is 4% and 11%, for cold start users 11% and 17%. The model described in the thesis can be easily incorporated to the recommender system. This thesis can be used as the basis of future work of recommender systems in Lithuania.