RESEARCH AND DESIGN OF A RECOMMENDATION SYSTEM IN THE FIELD OF BIG DATA PROCESSING

Abstract

В данной статье рассматривается процесс проектирования рекомендательной системы на основе метода коллаборативной фильтрации. В статье предлагается подход к решению проблемы выбора наиболее подходящих рекомендаций для пользователя на основе анализа его предпочтений и поведения в прошлом. В статье представлены основные принципы коллаборативной фильтрации, такие как расчет сходства между пользователями и объектами, определение степени доверия к рекомендациям и использование эвристических методов для улучшения качества рекомендаций. Особое внимание уделяется процессу обучения рекомендательной системы с использованием алгоритмов машинного обучения, таких как метод ближайших соседей и метод опорных векторов. Авторы также предлагают методы оценки качества рекомендаций и способы улучшения их эффективности. Подход, предложенный в статье, можно применить для разработки рекомендательных систем с использованием метода коллаборативной фильтрации по созданию эффективных и персонализированных рекомендаций. This article discusses the process of designing a recommendation system based on the collaborative filtering method. The article suggests an approach to solving the problem of choosing the most appropriate recommendations for the user based on the analysis of his preferences and behavior in the past. The article presents the basic principles of collaborative filtering, such as calculating the similarity between users and objects, determining the degree of trust in recommendations and using heuristic methods to improve the quality of recommendations. Special attention is paid to the process of training a recommendation system using machine learning algorithms, such as the nearest neighbor method and the support vector method. The authors also suggest methods for evaluating the quality of recommendations and ways to improve their effectiveness. The approach proposed in the article can be applied to the development of recommendation systems using the collaborative filtering method to create effective and personalized recommendations.