Современные направления исследований в области рекомендательных систем
(Стр. 75-79)

Постоянный рост объема генерируемого электронными сервисами контента вызвал проблему поиска необходимой информации за ограниченное время. Рекомендательные системы являются полезным инструментом, который в том числе решает задачу ускорения поиска необходимой информации. Веб-приложения широко применяют рекомендательные системы для предоставления пользователям подходящего контента в зависимости от их предпочтений или интересов, упрощая тем самым доступ пользователей к искомой информации. При этом наличие бизнес-эффекта от внедрения такого рода систем также показывает важность их разработки и эксплуатации, но в то же время остается открытым вопрос степени влияния алгоритмических улучшений систем рекомендаций на целевые метрики бизнеса. В различных предметных областях (рекомендации музыки, книг, видеоконтента, рекомендации товаров в интернет-магазинах и маркетплейсех и т.д.) используются различные типы рекомендательных систем, в основе которых лежит широкий спектр технологий, в том числе моделей машинного обучения и вычислительных алгоритмов. Целью работы является определение основных современных направлений исследований в области рекомендательных систем, а также описание нерешенных задач и проблем области.

Денисенко И.А., (2022), СОВРЕМЕННЫЕ НАПРАВЛЕНИЯ ИССЛЕДОВАНИЙ В ОБЛАСТИ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ. Проблемы экономики и юридической практики, 3 => 75-79.

Dacrema, M. F., Cremonesi, P., & Jannach, D. (2019). Are we really making much progress? A worrying analysis of recent neural recommendation approaches. Proceedings of the 13th ACM Conference on Recommender Systems. doi:10.1145/3298689. (https://doi.org/10.1145/3298689.3347058)
Ekstrand, M. D., Harper, F. M., Willemsen, M. C., & Konstan, J. A. (2014). User perception of differences in recommender algorithms. Proceedings of the 8th ACM Conference on Recommender Systems-RecSys ’14. doi:10.1145/2645710.2645737 (https://doi.org/10.1145/2645710.2645737)
Gomez-Uribe, C. A., & Hunt, N. (2015). The Netflix Recommender System. ACM Transactions on Management Information Systems, 6(4), 1-19. doi:10.1145/2843948 (https://doi.org/10.1145/2843948)
Gope, J., & Jain, S. K. (2017). A survey on solving cold start problem in recommender systems. 2017 International Conference on Computing, Communication and Automation (ICCCA). doi:10.1109/CCAA.2017.8229786 (https://doi.org/10.1109/CCAA.2017.8229786)
Gunning, D., & Aha, D. (2019). DARPA’s Explainable Artificial Intelligence (XAI) Program. AI Magazine, 40(2), 44-58. doi:10.1609/aimag.v40i2.2850 (https://doi.org/10.1609/aimag.v40i2.2850)
Jannach, D., Ludewig, M., & Lerche, L. (2017). Session-based item recommendation in e-commerce: on short-term intents, reminders, trends and discounts. User Modeling and User-Adapted Interaction, 27(3-5), 351-392. doi:10.1007/s11257-017-9194-1 (https://doi.org/10.1007/s11257-017-9194-1)
Lika, B., Kolomvatsos, K., & Hadjiefthymiades, S. (2014). Facing the cold start problem in recommender systems. Expert Systems with Applications, 41(4), 2065-2073. doi:10.1016/j.eswa.2013.09.005 (https://doi.org/10.1016/j.eswa.2013.09.005)
Pan, W., Xiang, E., Liu, N., & Yang, Q. (2010). Transfer Learning in Collaborative Filtering for Sparsity Reduction. Proceedings of the AAAI Conference on Artificial Intelligence, 24(1), 230-235
Rook, L., Sabic, A. & Zanker, M. (2020). Engagement in proactive recommendations. J.Intell. Inf. Syst. 54(1), 79-100
Serrà, J., & Karatzoglou, A. (2017). Getting Deep Recommenders Fit. Proceedings of the Eleventh ACM Conference on Recommender Systems-RecSys ’17. doi:10.1145/3109859.3109876 (https://doi.org/10.1145/3109859.3109876)
Sun, Z., Yu, D., Fang, H., Yang, J., Qu, X., Zhang, J., & Geng, C. (2020). Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison. Fourteenth ACM Conference on Recommender Systems. doi:10.1145/3383313.3412489 (https://doi.org/10.1145/3383313.3412489)
Zhang, Y., & Chen, X. (2020). Explainable Recommendation: A Survey and New Perspectives. Foundations and Trends® in Information Retrieval, 14(1), 1-101. doi:10.1561/1500000066 (https://doi.org/10.1561/1500000066)
Zhang, J., Adomavicius, G., Gupta, A., & Ketter, W. (2020). Consumption and Performance: Understanding Longitudinal Dynamics of Recommender Systems via an Agent-Based Simulation Framework. Information Systems Research, 31(1), 76-101. doi:10.1287/isre.2019.0876 (https://doi.org/10.1287/isre.2019.0876)

рекомендательная система, коллаборативная фильтрация, контентная фильтрация, холодный старт, машинное обучение.