Efficient Models and Techniques for Recommendation Systems

Systemy rekomendacyjne (RS) odgrywają kluczową rolę w różnych sektorach gospodarki. W ciągu ostatniej dekady, wraz z szybkim rozwojem usług internetowych, wiele firm z branży handlu elektronicznego, e-turystyki, zasobów elektronicznych, mediów społecznościowych i handlu detalicznego zaczęło intensywnie wykorzystywać dane do powiększania zysków. W szczególności, pomagając klientom znajdować interesujące produkty lub usługi. Kluczowym elementem, niezbędnym do osiągnięcia tego celu, było wdrożenie systemu rekomendacyjnego, które w ostatnim dziesięcioleciu przyczyniło się do wzrostu zapotrzebowania na systemy rekomendacyjne bardziej niż kiedykolwiek wcześniej. W rozprawie przedstawiono wybrane algorytmy rekomendacyjne oraz przedstawiono ich powszechnie uznaną taksonomię. Dodatkowo, praca zgłębia istotne wyzwania i ograniczenia związane z tymi metodami oraz omawia kompleksowo różne techniki ewaluacji. Rosnące zapotrzebowanie na generowanie coraz bardziej trafnych rekomendacji doprowadziło do pojawienia się systemów kontekstowych (ang. Context-Aware Recommender Systems), które włączają informacje kontekstowe do systemów rekomendacyjnych. Jednym z głównych celów przedstawionych badań jest wprowadzenie nowatorskiego systemu rekomendacyjnego, który wykorzystuje informacje kontekstowe w celu zapewnienia bardziej trafnych rekomendacji. Mimo że, w ciągu ostatniej dekady zaproponowano wiele podejść do budowy systemów rekomendacyjnych, to większość z nich wciąż boryka się z problemem tzw. „zimnego startu”. Problem ten pojawia się w momencie wprowadzenia do systemu nowego elementu lub rejestracji nowego użytkownika. Obsługa tzw. „zimnych” użytkowników i przedmiotów jest powszechnie uznawana za kluczowy czynnik sukcesu każdego nowego algorytmu rekomendującego. W rozprawie przedstawiamy autorski system rekomendacyjny FPRS (ang. frequent pattern mining framework for recommender systems), który wykorzystuje algorytmy wyszukiwań częstych wzorców w danych oraz rozszerzenie tego podejścia - Clustering-based FPRS (ang. Clustering-based Frequent Pattern mining framework for Recommender Systems), oferujący szereg algorytmów wykorzystujących metody klastrowania obiektów do rozwiązania problemu „zimnego startu” dla systemów rekomendacyjnych. Wykorzystując podobieństwa między analizowanymi użytkownikami i produktami, Clustering-based FPRS operuje na zagregowanej reprezentacji, czym pozwala złagodzić również problem rzadkich macierzy interakcji użytkowników z produktami, ponieważ zamiast pracować z bardzo rzadką macierzą, uzyskujemy pośrednią reprezentację danych poprzez grupowanie podobnych użytkowników i produktów. Jak wskazuje rozległa literatura w omawianym obszarze badań, istnieje potrzeba znalezienia skuteczniejszych technik generowania rekomendacji. W wielu systemach rekomendacyjnych kluczowy jest czas potrzebny na wygenerowanie rekomendacji. Oznacza to, że rekomendacje mogą stać się bezużyteczne, jeżeli nastąpi opóźnienie w ich wygenerowaniu i zaprezentowaniu użytkownikowi. W rozprawie zaproponowano nowatorski system FMAR (ang. Factorization Machines and Association Rules) oparty na wybranych mechanizmach faktoryzacji macierzy (w szczególności mowa o ang. Factorization Machines) i regułach asocjacyjnych. Te rozwiązanie ma na celu przyspieszenie systemów rekomendujących bez wpływu na ich dokładność. Skuteczność wszystkich autorskich metod zaproponowanych w rozprawie została potwierdzona eksperymentalnie na rzeczywistych problemach i przy użyciu prawdziwych danych.

Recommender systems (RS) play a key role in various sectors of the digital economy. Over the past decade, along with the rapid expansion of online services, many e-commerce, e-tourism, e-resource, social media, and retail companies have begun leveraging the power of data to enhance their profits. They achieve this by helping customers discover interesting items or products within the vast expanse of online data. To achieve this goal, the implementation of a recommender system is necessary, and as a result, the demand for recommender systems has increased more than ever before. The dissertation introduces selected recommender algorithms and outlines their widely recognized taxonomy. Additionally, it delves into the significant challenges and limitations inherent in these methods, offering a comprehensive discussion of various evaluation techniques. The growing demand for generating more relevant recommendations has led to the emergence of numerous innovative recommendation systems, such as Context-aware Recommender System (CARS), which incorporates contextual information into recommendation systems. A primary objective of my doctoral research is to introduce a novel recommender system that utilizes contextual information to provide more relevant recommendations. Although several approaches have been proposed over the last decade to build recommender systems, most of them suffer from the cold-start problem. This problem arises when a new item is introduced to the system or a new user signs up. Handling cold users and items is widely acknowledged as a crucial success factor for any new recommender algorithm. In this dissertation, we introduce a frequent pattern mining framework for recommender systems (FPRS), a novel approach to address this challenging task. Furthermore, we propose a Clustering-based Frequent Pattern mining framework for Recommender Systems (Clustering-based FPRS), a platform comprising several recommendation strategies that significantly mitigate the cold-start problem. In this framework, we tackle the sparsity issue by operating on a more granular representation of similar users and items. Instead of working with the very sparse user-item matrix, we derive an intermediate data representation by grouping similar users and items together. On the other hand, there is an urgent demand for finding more efficient techniques to generate recommendations. In many recommender systems, the time required to generate recommendations is crucial. This means that recommendations may become useless if there is a delay in generating and presenting them to the user. Therefore, a novel recommender system based on Factorization Machines and Association Rules (FMAR) is proposed. This framework is designed to speed up recommender systems without impacting accuracy. All the novel methods proposed in the dissertation were subjected to experimental verification on real-life problems and data.