РАЗРАБОТКА МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ ИНФОРМАЦИОННОЙ СИСТЕМЫ ЧИТАТЕЛЬСКОГО ДНЕВНИКА С СИСТЕМОЙ ПЕРСОНАЛЬНЫХ РЕКОМЕНДАЦИЙ

Системы рекомендаций позволяют пользователю выбрать среди всех доступных объектов именно те, которые будут ему интересны. Эти системы обрабатывают информацию о различных объектах, а также о том, какие объекты пользователи купили, посмотрели, послушали и т.д. Имея эти данные, можно быстро и качественно отфильтровать наиболее подходящие конкретному пользователю объекты.

Назначение читательского дневника с системой персональных рекомендаций – предоставлять пользователям персонализированные рекомендации книг на основе релевантной информации.

Ограничения:

• Алгоритм ограничен данными, доступными о пользователе (история чтения, предпочтения и т. д.).
• Эффективность алгоритма зависит от качества и количества данных, доступных о пользователе.
• Алгоритм может не учитывать определенные нюансы и предпочтения пользователя, не отраженные в данных.

Характеристики качества решения:

• Рекомендации должны быть релевантными для интересов пользователя.
• Алгоритм должен генерировать рекомендации в разумное время, обеспечивая удобство использования для пользователя.

Метод фильтрации на основе контента (content-based filtering) для персональных книжных рекомендаций основывается на анализе характеристик книг и предпочтений пользователей [1].

Каждая книга описана набором характеристик. Эти характеристики могут быть представлены в виде вектора V:

Где v_i — это значение i-й характеристики.

Профиль пользователя можно описать как вектор предпочтений, основанный на его истории чтения и оценках книг:

Где p_i — это значение i-й характеристики, отражающий интерес пользователя к данной характеристике.

Для того чтобы рекомендовать книги пользователю, необходимо вычислить сходство между профилем пользователя и характеристиками книг. Это можно сделать с помощью косинусного сходства. Косинусное сходство между вектором пользователя и вектором книги можно вычислить по формуле 3.1

Где P * V — скалярное произведение векторов, а — нормы векторов.

На основе вычисленного сходства можно сформировать список рекомендованных книг. Например, можно выбрать k книг с наибольшим значением сходства:

Где R — это набор рекомендованных книг, а B_i — это книги с наибольшими значениями сходства.

Алгоритм решения:

• Сбор данных о прочитанных книгах и выставленных оценках.
• Обработка данных.
• Произведение расчётов сходства.
• Формирование рекомендаций.
• Вывод рекомендаций пользователю.

На рисунке 1 представлена диаграмма состояний функции «Предоставление персональных рекомендаций».

Рисунок 1. Диаграмма состояния функции «Предоставление персональных рекомендаций»