Development of a recommendation model to support decision-making when the user chooses products
- Authors: Kvyatkovskaya I.Y.1, Trang V.T.1, Toan T.Q.1
-
Affiliations:
- Astrakhan State Technical University
- Issue: No 105 (2023)
- Pages: 110-133
- Section: Control of social-economic systems
- URL: https://journal-vniispk.ru/1819-2440/article/view/364076
- DOI: https://doi.org/10.25728/ubs.2023.105.6
- ID: 364076
Cite item
Full Text
Abstract
Recommender systems are used to predict user preferences for a particular product or service, and to recommend suitable products or services to the user. Many of the methods used in data mining, related to classification or the construction of association rules, are used in recommender systems. This article proposes a new recommender model that combines association rules and statistical implication index measures. In the proposed model, support and confidence measures are used to create association rules, and the statistical implication index measure is used to filter the set of rules and rank recommendations. The proposed model and algorithms are used to build a recommendation result based on a known data set.
About the authors
Irina Yur'evna Kvyatkovskaya
Astrakhan State Technical University
Email: i.kvyatkovskaya@astu.org
Astrakhan
Vo Thi Huyen Trang
Astrakhan State Technical University
Email: vthtrang@mail.ru
Astrakhan
Tran Quoc Toan
Astrakhan State Technical University
Email: hoaivan219@mail.ru
Astrakhan
References
БРАХА Ш., ЛИОР Р. Создание эффективных рекомен-дательных систем // ISBN978-1-4419-0047-0 –2012 г. Архивировано из оригинала 01.05.2014. БХАСКЕР Б.; СРИКУМАР К. Рекомендательные систе-мы в электронной коммерции // ЧАШКА. – ISBN978-0-07-068067-8. Архивировано из оригинала 01.09.2010. ФРАНЧЕСКО Р., ЛИОР Р., БРАХА Ш., КАНТОР П.Б. Справочник рекомендательных систем. – Springer. ISBN978-0-387-85819-7 – 2011. ШИТИКОВ В.К., МАСТИЦКИЙ С.Э. Классификация, регрессия, алгоритмы Data Mining с использованием R. – 2017. – Электронная книга. – URL: https://github.com/ranalytics/data-mining. ШУРШЕВ В.Ф., БУЙ Л.В. Методика выбора сканирую-щих приемников и трансиверов по основным характе-ристикам // Вестник Астраханского государственного технического университета. Серия: Управление, вычис-лительная техника и информатика. – 2013. – №2. – С. 45–51. ШУРШЕВ В.Ф., КОЧКИН Г.А., КОЧКИНА В.Р. Модель системы поддержки принятия решений на основе рас-суждений по прецедентам // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2013. – №2. – С. 175–183. BREESE J.S, HECKERMAN D., KADIE C.M. Anonymous web data from www.microsoft.com // Microsoft Research, Redmond WA, 98052-6399, USA, 1998. – URL: https://kdd.ics.uci.edu/databases/msweb/msweb.html. GRAS R. Contribution à l’étude expérimentale et à l’analyse de certaines acquisitions cognitives et de certains objectifs en didactique des mathématiques. – PhD thesis, Université de Rennes 1, 1979. GRAS R., KUNTZ P. An overview of the Statistical Implica-tive Analysis (SIA) development // Statistical Implicative Analysis - Studies in Computational Intelligence, Springer-Verlag. – 2008. – P. 11–40. GRAS R., KUNTZ P., GREFFARD N. Notion of Implicative Fields in Statistical Implicative Analysis // VIII Int. Conf. A.S.I. Analyse Statistique Implicative - Statistical Implicative Analysis Radès (Tunisie), Novembre, 2015. – P. 29–46. HAHSLER М. «recommenderlab: A Framework for Devel-oping and Testing Recommendation Algorithms» // The In-telligent Data Analysis Lab at SMU. – 2011. – URL: http://lyle.smu.edu/IDA/recommenderlab/. HIKMAWATI E., MAULIDEVI N.U., SURENDRO K. Min-imum threshold determination method based on dataset characteristics in association rule mining // J Big Data. – 2021. – Vol. 8. – P. 146. DOI: https://doi.org/10.1186/s40537-021-00538-3. KVYATKOVSKAYA I.Y., SHURSHEV V.F., FREN-KEL M.B. Methodology of a support of making manage-ment decisions for poorly structured problems // Communi-cations in Computer and Information Science. – 2015. – Vol. 535. – P. 278–291. https://archive.ics.uci.edu/ml/datasets/lenses – набор дан-ных Lenses (Lenses Data Set).
Supplementary files
