«интернаука» Научный журнал №24(153) Июль 020 г. Часть Издается с ноября 2016 года Москва 2020 ббк 94 И73 Председатель редакционной коллегии: Еникеев Анатолий Анатольевич

 
Список литературы: 
1. Клеппман М. Высоконагруженные приложения. Программирование, масштабирование, поддержка. 2018 
[Электронный 
ресурс]. 
— 
Режим 
доступа: 
http://diggerdnepr.ddns.net/wp-
content/uploads/ARC_ALL/pdf/kleppman_m_vysokonagruzhennye_prilozheniya_programmirovanie.pdf; 
2. Власенко С.В. Репликация данных и управление транзакциями в распределенных базах данных. 2015 
[Электронный ресурс]. — Режим доступа: https://issuu.com/euroasiascience/docs/evro_10_p1_tech_phiz-mat; 
3. Лаврентьев К.А., Титова Е.А. Проблемы проектирования архитектуры распределенных баз данных // Вестник 
хабаровской государственной академии экономики и права — 2015. - №1, - С. 33-38.; 
4. Технический документ Sybase. Репликация баз данных. 2010 [Электронный ресурс]. — Режим доступа: 
https://www.sybase.com.ua/system/files/pdf/sybase_rs_db_replication_wp_ru_2.pdf. 
 
 

---

Журнал «Интернаука» 
№ 24 (153), часть 1, 2020 г. 
12 
О ПОДХОДАХ К РАЗРАБОТКЕ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ 
Ласый Алиса Сергеевна 
студент
Астраханского государственного университета, 
РФ, г. Астрахань 
Кошкаров Александр Васильевич 
канд. техн. наук,
доц. кафедры цифровых технологий и кибербезопасности
Астраханского государственного университета, 
РФ, г. Астрахань 
 
Начнем с определения, что же такое рекомен-
дательные системы? Это программы и сервисы, 
которые пытаются предсказать, какие объекты 
(фильмы, музыка, книги, новости, веб-сайты) хотят 
видеть пользователи, и соответственно рекоменду-
ют им это. Рекомендательная система позволяет 
пользователю замечать свои предпочтения и воз-
вращает результаты, которые полезны для него, 
основываясь на оценках других пользователей и 
предположениях самой системы [1]. Каждый поль-
зователь сети Интернет наверняка встречал подоб-
ные приемы на различных сайтах. Рекомендации 
формируются отдельно для каждого человека, 
опираясь на его предыдущие действия на конкрет-
ном веб-ресурсе или на основе прошлой активно-
сти. Кроме того, значение имеет и поведение 
предыдущих участников процесса.
Тема рекомендательных систем активно иссле-
дуется последние десятилетия [2]. Она широко 
применима на практике, в том числе в коммерции, 
что значительно стимулирует ее развитие. В каче-
стве одного из первых примеров рекомендательной 
системы в современном представлении является 
movielens.org [3], предлагающий пользователям 
фильмы на основе их предпочтений. Этот сервис 
интересен тем, что он предоставляет всем желаю-
щим набор данных о фильмах и рейтингах, постав-
ленных им пользователями. Этот набор данных был 
использован в большом числе исследований в об-
ласти рекомендательных систем. Для интернет-
магазинов рекомендательная система — важная 
функция, а для таких крупных каталогов типа 
Amazon [4] — один из способов качественно рабо-
тать. Способ рекомендации в данном случае не 
является обычной дополнительной опцией, она 
обеспечивает удобство навигации пользователя по 
веб-ресурсу. Если электронный каталог содержит 
более 20 000 наименований продукции, ориентация 
уже представляется непомерно тяжелой, что гово-
рить, если товаров миллионы? Рекомендательная 
система ресурса MathsGarden[5] работает с отдель-
ными задачами. Она представляет собой тренажер 
по элементарной арифметике для учеников началь-
ной школы, который предлагает ученику задачи, 
оптимально подходящие ему в данный момент 
времени по сложности. Для этого система подсчи-
тывает и динамически изменяет относительную 
характеристику знаний ученика, а также характери-
стику сложности задач. 
Существует несколько подходов к разработке 
рекомендательных систем, самыми популярными 
из которых являются: 
1. Content-based 
 пользователю рекомендуются объекты, похо-
жие на те, которые этот пользователь уже употребил; 
 похожести оцениваются по признакам содер-
жимого объектов; 
 сильная зависимость от предметной области, 
полезность рекомендаций ограничена. 
Схожесть подсчитывается с помощью характе-
ристик сравниваемых объектов. Например, для 
рекомендации фильмов можно использовать бли-
зость жанров или актерский состав. Такой подход 
используется в сервисе для оценки, поиска и реко-
мендаций фильмов Internet Movie Database [6]. 
2. Коллаборативная фильтрация (Collaborative 
Filtering) 
 для рекомендации используется история 
оценок как самого пользователя, так и других поль-
зователей; 
 более универсальный подход, часто дает 
лучший результат; 
 есть свои проблемы (например, холодный 
старт). 
Проще говоря, пользователю предлагается кон-
тент, заинтересовавший похожих на него пользова-
телей. Рекомендации сервиса MovieLens основаны 
именно на этом подходе. 
Даже если мы абсолютно точно умеем предска-
зывать, какие треки нравятся пользователю, все 
равно остается вопрос, в каком виде и в какой ком-
поновке их выдавать. 
Обычно в качестве метрики используют RMSE 
предсказанного рейтинга, однако существует мне-
ние, что это не совсем правильно и следует учиты-
вать характеристики рекомендации как целого, а не 
точность предсказания конкретного числа. 
𝑅𝑀𝑆𝐸 = √
1
|𝐷|
∑
(𝑟̂
𝑢𝑖
− 𝑟
𝑢𝑖
)
2
(𝑢,𝑖)∈𝐷
(1) 
На сегодняшний день это стандартная метрика 
для предсказания оценки. Однако она имеет свои 
недостатки: 
 у каждого пользователя свое представление 
о шкале оценок. Пользователи, у которых разброс 
оценок более широкий, будут больше влиять на 
значение метрики, чем другие; 

---

Журнал «Интернаука» 
№ 24 (153), часть 1, 2020 г. 
13 
 ошибка в предсказании высокой оценки име-
ет такой же вес, что и ошибка в предсказании низ-
кой оценки. При этом предсказать оценку 9 вместо 
настоящей оценки 7 страшнее, чем предсказать 4 
вместо 2 (по десятибалльной шкале); 
 можно иметь почти идеальную метрику 
RMSE, но иметь очень плохое качество ранжирова-
ния, и наоборот. 
Цель метрики качества ранжирования — опре-
делить, насколько полученные алгоритмом оценки 
релевантности 𝑟(𝑒) и соответствующая им переста-
новка 𝜋соответствуют истинным значениям реле-
вантности 𝑟
𝑡𝑟𝑢𝑒
. Рассмотрим основные метрики [7]. 
В качестве метрик качества обычно используют 
метрики ранжирования, например, MAP@k (5) и 
nDCG@k (7). 
Precision at K (p@K) — точность на K элемен-
тах — базовая метрика качества ранжирования для 
одного объекта. Допустим, наш алгоритм ранжиро-
вания выдал оценки релевантности для каждого эле-
мента {𝑟(𝑒)}
𝑒∈𝐸
. Отобрав среди них первые 𝐾 ≤ 𝑀 
элементов с наибольшим 𝑟(𝑒) можно посчитать 
долю релевантных. Именно это и делает precision at K
𝑝@𝐾 =
∑
𝑟
𝑡𝑟𝑢𝑒
(𝜋
−1
(𝑘))
𝑘
𝑖=1
𝐾
=
релевантных элементов
𝐾
(2) 
Precision at K — метрика простая для понима-
ния и реализации, но имеет важный недостаток — 
она не учитывает порядок элементов в «топе». Так, 
если из десяти элементов мы угадали только один, 
то не важно на каком месте он был: на первом, или 
на последнем, — в любом случае 𝑝@10 = 0.1. При 
этом очевидно, что первый вариант гораздо лучше. 
Этот недостаток нивелирует метрика ранжиро-
вания average precision at K (ap@K), которая равна 
сумме p@k по индексам k от 1 до K только для 
релевантных элементов, деленому на K 
𝑎𝑝@𝐾 =
1
𝐾
∑
𝑟
𝑡𝑟𝑢𝑒
(𝜋
−1
(𝑘))𝑝@𝑘
𝐾
𝑘=1
(3) 
Так, если из трех элементов мы релевантным 
оказался только находящийся на последнем месте, 
то 𝑎𝑝@3 =
1
3
(0 + 0 +
1
3
) ≈ 0.11 , если угадали 
лишь тот, что был на первом месте, то 𝑎𝑝@3 =
1
3
(
1
1
+ 0 + 0) ≈ 0.33 , а если угаданы были все, 
то 𝑎𝑝@3 =
1
3
(
1
1
+
2
2
+
3
3
) = 1. 
Mean average precision at K (map@K) — одна 
из наиболее часто используемых метрик качества 
ранжирования. В p@K и ap@K качество ранжиро-
вания оценивается для отдельно взятого объекта 
(пользователя, поискового запроса). На практике 
объектов множество: мы имеем дело с сотнями 
тысяч пользователей, миллионами поисковых за-
просов и т. д. Идея map@K заключается в том, 
чтобы посчитать ap@K для каждого объекта и 
усреднить 
𝑚𝑎𝑝@𝐾 =
1
𝑁
∑
𝑎𝑝@𝐾
𝑗
𝑁
𝑗=1