Ю.Е. Гапанюк − доцент, 

кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана

E-mail: gapyu@bmstu.ru

А.С. Зенгер − студент,

кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана

E-mail: azenger98@gmail.com

А.К. Цветкова − студент,

кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана

E-mail: alenkin98@yandex.ru

С.А. Кочкин − студент, 

кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана

E-mail: sergei.kochkinn@gmail.com

В.В. Черков − студент, 

кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана

E-mail: vv-ch@bk.ru

Постановка проблемы. В настоящее время используются следующие варианты гибридных рекомендательных систем (ГРС): «взвешенная» ГРС, ГРС «с ветвлениями», «каскадная» ГРС или «конвейер», «многоуровневая» ГРС. Данные подходы в значительной степени напоминают ансамблевые модели машинного обучения. Подход на основе гибридных интеллектуальных информационных систем (ГИИС) позволяет систематизировать различные варианты построения рекомендательных систем. В большинстве случаев рекомендательная система на основе концепции ГИИС представляет собой холоническую структуру с различными вариантами вложенности модулей сознания и подсознания. Поскольку для рекомендательных систем в большей степени характерно использование методов на основе машинного обучения, чем методов на основе правил, то в большинстве случаев модули рекомендательной системы относятся к области подсознания ГИИС.

Цель. Рассмотреть существующие стратегии создания рекомендательных систем, а также обобщить их на основе подхода гибридных интеллектуальных информационных систем.

Результаты. Рассмотрены две основные стратегии создания рекомендательных систем: фильтрация на основе содержания и коллаборативная фильтрация, а также основные методы подбора рекомендаций для коллаборативной фильтрации. Показано, что классические подходы к гибридизации рекомендательных систем в значительной степени напоминают ансамблевые модели машинного обучения. Предложена систематизация вариантов построения гибридных рекомендательных систем с применением подхода на основе ГИИС. На основе рассмотренных подходов реализована рекомендательная система кулинарных рецептов и установлено, что лучший результат показал гибридный вариант рекомендательной системы.

Практическая значимость. Подход на основе ГИИС может быть использован для систематизации вариантов построения гибридных рекомендательных систем.

1. Ricci F., Rokach L., Shapira B. Recommender Systems Handbook (2nd. ed.). Springer. 2015.
2. Aggarwal C.C. Recommender Systems: The Textbook. Springer. 2016.
3. Lampropoulos A.S., Tsihrintzis G.A. Machine Learning Paradigms: Applications in Recommender Systems. Intelligent Systems Reference Library. V. 92. Springer. 2015.
4. Колесников А.В. Гибридные интеллектуальные системы. Теория и технология разработки. СПб: СПбГТУ. 2001. 137 с.
5. Колесников А.В., Кириков И.А., Листопад С.В. Гибридные интеллектуальные системы с самоорганизацией: координация, согласованность, спор. М.: ИПИ РАН. 2014. 189 с.
6. Черненький В.М., Терехов В.И., Гапанюк Ю.Е. Структура гибридной интеллектуальной информационной системы на основе метаграфов // Нейрокомпьютеры: разработка, применение. 2016. № 9. С. 3−14.
7. Черненький В.М., Гапанюк Ю.Е., Ревунков Г.И., Терехов В.И., Каганов Ю.Т. Метаграфовый подход для описания гибридных интеллектуальных информационных систем // Прикладная информатика. 2017. Т. 12. № 3(69). С. 57−79.
8. Прикладные интеллектуальные системы, основанные на мягких вычислениях / Под ред. Н.Г. Ярушкиной. Ульяновск:  УлГТУ. 2004. 139 с.
9. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика.  М.: Эдиториал УРСС. 2002. 352 с.
10. Epicurious − Recipes with Rating and Nutrition. URL: https://www.kaggle.com/hugodarwood/epirecipes (дата обращения: 29.05.2020).
11. Geron A. Hands-on machine learning with Scikit-Learn and Tensor Flow: concepts, tools, and techniques to build intelligent systems. O'Reilly Media. 2017.