ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ НАДАННЯ РЕКОМЕНДАЦІЙ ПРОФІЛІВ ЗА СПІЛЬНИМИ ІНТЕРЕСАМИ ДЛЯ СОЦІАЛЬНОЇ МЕРЕЖІ
DOI:
https://doi.org/10.32782/IT/2024-2-14Ключові слова:
інформаційна технологія, рекомендаційна система, профілі користувача, множини ознак, гібридна фільтраціяАнотація
У статті описано розв’язання задачі надання рекомендацій користувачів у соціальних мережах. Метою роботи є розроблення інформаційної технології надання рекомендацій користувацьких профілів для соціальної мережі. Методологія. У даній роботі використано методологію системного аналізу для побудови функціональної моделі інформаційної технології, теорію графів для подання структури соціальної мережі, методи колаборативної, топологічної та контентної фільтрації для розроблення методу гібридної фільтрації. Наукова новизна дослідження полягає в тому, що, на відміну від існуючих моделей надання рекомендацій за даними профілів користувачів соціальних мереж, при виборі оптимального рекомендаційного алгоритму було враховано не тільки точність рекомендацій, а і складність та ресурозатратність алгоритму. Розроблена інформаційна технологія рекомендації профілів використовує поєднання трьох фільтрацій: контентна, колаборативна, топологічна. Кожна з фільтрацій застосовує розрахунок коефіцієнта подібності Жаккара. Для поєднання різних фільтрацій використано стратегію гібридизації основану на зваженій сумі, де вага кожної фільтрації дорівнює одиниці. Інформаційна технологія впроваджена у рекомендаційну систему, реалізовану у вигляді програмного модуля мовою JavaScript. Розроблена рекомендаційна система інтегрована у заздалегідь створену соціальну мережу. Система приймає на вхід дані авторизованого користувача та дані користувачів-кандидатів у рекомендації у вигляді векторів або множин ознак. Далі система аналізує вхідні дані з використанням рекомендаційних алгоритмів гібридної фільтрації. На основі цього аналізу формується масив рекомендованих профілів для поточного користувача. Висновки. Запропоновано інформаційну технологію надання рекомендацій профілів користувачів у соціальних мережах, яка побудована на основі методу гібридної фільтрації, що дозволяє підвищити достовірність надання рекомендацій.
Посилання
Silva N. B., Tsang I., Cavalcanti G. D.C., Tsang I. A graph-based friend recommendation system using Genetic Algorithm. IEEE Congress on Evolutionary Computation. 2010. P. 1–7. https://ieeexplore.ieee.org/document/5586144
Reddy V. S., Kumar K. K. An Efficient and Improved Algorithm for a Recommender System to Detect & Recognize Communities in Social Networks. International Journal on Recent and Innovation Trends in Computing and Communication. 2023. № 11 (9s). P. 675–679. https://doi.org/10.17762/ijritcc.v11i9s.7481
Cheng, S., Zhang, B., Zou, G. et al. Friend recommendation in social networks based on multi-source information fusion. International Journal of Machine Learning and Cybernetics. 2019. № 10. P. 1003–1024. https://doi.org/10.1007/s13042-017-0778-1
Isinkaye F. O., Folajimi Y. O., Ojokoh B. A. Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal. 2015. № 16. P. 261–273. https://doi.org/10.1016/j.eij.2015.06.005
Song X., Lian J., Huang H. Friend Recommendations with Self-Rescaling Graph Neural Networks. ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2022. P. 3909–3919. https://dl.acm.org/doi/10.1145/3534678.3539192
Парфененко Ю. В., Ковтун А. А., Вербицька А. А. Рекомендаційна інформаційна система для пошуку відеоматеріалів. Вісник КрНУ імені Михайла Остроградського. 2019. № 5 (118). С. 97–102. https://doi.org/10.30929/1995-0519.2019.5.97-102
Abbaschian B., Khorshidi S. A Review of Hybrid Recommender Systems. Journal of Interdisciplinary Research. 2017. P. 259–263.
Мелешко Є. В. Семенов С. Г., Хох В. Д. Дослідження методів побудови рекомендаційних систем в мережі інтернет. Системи управління, навігації та зв’язку. Збірник наукових праць. 2018. Т. 1 (47). С. 131–136. https://doi.org/10.26906/SUNZ.2018.1.131
Samad A., Azam M., Qadir M. Structural Importance-based Link Prediction Techniques in Social Network. Endorsed Transactions on Industrial Networks and Intelligent. 2021. P. 1–13. https://eudl.eu/doi/10.4108/eai.7-1-2021.167840
Kadam S., Bhattacharya R. Predicting future link in social network: A review. International Journal of Health Sciences. 2022. 6(S2). P. 8232–8240. https://doi.org/10.1016/j.jnca.2020.102716
Chen L., Xie Y., Zheng Z. Friend Recommendation Based on Multi-Social Graph Convolutional Network. IEEE Access. 2020. № 8. P. 43618–43629. https://doi.org/10.1109/ACCESS.2020.2977407
Da’u A., Salim N. Recommendation system based on deep learning methods: a systematic review and new directions. Artificial Intelligence Review. 2019. № 53. P. 2709–2748. https://doi.org/10.1007/s10462-019-09744-1
Liu J., Yi H., Gao Y., Jing R. Personalized Point-of-Interest Recommendation Using Improved Graph Convolutional Network in Location-Based Social Network. Electronics. 2023. № 12(16). P. 3495. https://doi.org/10.3390/electronics12163495
Sathre P. A., Gondhalekar W., Feng. Edge-Connected Jaccard Similarity for Graph Link Prediction on FPGA. High Performance Extreme Computing Conference. 2022. https://doi.org/10.1109/HPEC55821.2022.9926326
