Аннотация:
Рассмотрены вопросы анализа информации, с которой сталкивается потребитель, осуществляя выбор продуктов и услуг. Проблемой является извлечение полезной информации, позволяющей предложить пользователю новые товары и услуги в зависимости от его предпочтений. Данную проблему локализуют рекомендательные системы, ориентированные на использование методов интеллектуального анализа данных, таких как классификация, кластеризация, анализ ассоциативных правил – метод машинного обучения, обнаруживающий связи между переменными в базах данных. По сравнению с другими методами преимущество рекомендательного метода на основе ассоциативных правил заключается в прозрачности – метод может продемонстрировать пользователю механизм вывода, использованный для принятия решений. В рекомендательных системах, основанных на ассоциативных правилах, используются две меры, широко применяемые для оценки наборов элементов и создания наборов правил ассоциации, – это мера поддержки (support) и мера достоверности (confidence). Однако чтобы получить более качественные рекомендации, качество ассоциативных правил и способ ранжирования предложений следует измерять с помощью некоторой объективной меры. Разработаны модель и алгоритм поддержки принятия решения по выбору продуктов для рекомендации пользователю на основе метода анализа статистической импликации. В предлагаемых решениях меры поддержки и достоверности используются для создания ассоциативных правил; мера интенсивности статистической импликации используется для фильтрации набора правил и ранжирования рекомендаций.