Рекомендации пользователям станут в 3 раза точнее
В Институте СПИНТех разработаны новые алгоритмы для решения проблемы «холодного старта» – инициализации первичных параметров в рекомендательных системах. Данная проблема возникает из-за отсутствия достаточного количества информации о предпочтениях пользователей и затрудняет формирование точных и персонализированных рекомендаций.
Разработанные алгоритмы инициализации первичных параметров в рекомендательных системах основаны на методах предиктивной аналитики с применением искусственного интеллекта. Такой подход позволяет анализировать большие объемы данных, выявлять закономерности и делать обоснованные прогнозы.
Студентка СПИНТех Ольга Сапронова (ПИН-22М) в рамках магистерской диссертации предложила методику и алгоритм для решения проблемы «холодного старта» новых пользователей известного сервиса объявлений «Авито». В основе методики лежит быстрый сбор данных об интересах пользователей в интерактивном формате с последующим кластерным анализом, внесением обработанных данных в разработанную в СПИНТех предиктивную модель, формированием прогноза о предпочтениях пользователей и получением точных персональных рекомендаций. Разработанная методика позволяет составить покатегорийную иерархию кластеров объявлений, схожую по структуре с корнями дерева. За счет методики сотни тысяч объявлений площадки представляются в виде нескольких тысяч векторов – центроидов кластеров.
Программный модуль для сервиса объявлений «Авито», реализованный Ольгой, позволяет пользователям постепенно исследовать объявления и выбирать наиболее интересные из них. В результате точность и качество ранжирования формируемых для новый пользователей рекомендаций выросли в 2,3 и 2,85 раз соответственно по сравнению с предыдущей версией рекомендательной системы.
Другой подход решения проблемы «холодного старта» в рекомендательных системах продемонстрировал аспирант СПИНТех Юрий Болотин. В рамках кандидатской диссертаций Юрий предлагает собирать и накапливать исторические данные о действиях пользователя в сети Интернет, исследуя цифровые следы на множестве открытых площадок – в социальных сетях, интернет-магазинах, оставленных отзывах и др., – с последующей кластеризацией и классификацией полученной информации. Далее для составления рекомендаций на основе прогноза в предиктивную модель загружается наиболее релевантный предметной области класс данных о пользователе. Разработанный Юрием на основе предложенных решений программный модуль используется в рекомендательной системе ведущего банка страны. При этом точность и качество персонализированных рекомендаций возросли в 5,1 и 7,2 раз соответственно.
Ведущий специалист в области предиктивной аналитики СПИНТех, д.т.н. Юлия Шевнина отмечает: «Разработки нашего Института в области предиктивной аналитики с использованием искусственного интеллекта открывают новые горизонты в развитии рекомендательных систем, в частности, и интеллектуальных в целом. В настоящее время продолжаются работы над улучшением предложенных решений для их применения в сферах подготовки высококвалифицированных кадров и производства микроэлектронных компонентов».
Институт СПИНТех планирует расширить использование методов предиктивной аналитики в других отраслях промышленности и сельского хозяйства, создавая соответствующий задел: математическое, алгоритмическое и программное обеспечение. Ранее были успешно внедрены предиктивная модель калибровки микросхемы температурного датчика 5306НТ015; методика прогнозирования результатов лазерной обработки практически любого материала с заданными характеристиками.