Systemy rekomendacji. Remedium w cyfrowej klęsce urodzaju

• Autorzy: Chęciński Karol , Wawrzusiak Radosław

Identyfikatory

DOI

10.15199/59.2023.2.4

• Języki publikacji: PL

Abstrakty

PL

W dobie dynamicznego rozwoju branży OTT, konsument ma dostęp do setek tysięcy atrakcyjnych treści wideo oferowanych przez właścicieli serwisów streamingowych oraz dystrybutorów treści. Remedium na tytułową klęskę urodzaju stanowią systemy rekomendacyjne, które stają się powoli niezbędne dla rozwoju serwisów internetowych oferujących produkty lub treści. Funkcjonalność systemów rekomendacyjnych nie polega jednak tylko na przewidywaniu ocen użytkowników, ale wymaga wieloaspektowego podejścia. Istotne jest, aby systemy były elastyczne w kontekście obsługi danych i algorytmów oraz były zasilane danymi w czasie rzeczywistym. Autorzy we wprowadzaniu opisują genezę powstania systemów rekomendacyjnych dla serwisów streamingowych, wykorzystując perspektywę zarówno użytkownika jak i właściciela platformy dostarczającej treści. Artykuł omawia cechy dobrych rekomendacji oraz potrzebne dane do ich generowania. W kolejnych sekcjach artykułu przedstawione zostaną podstawy tworzenia systemów rekomendacji, na przykładzie serwisu VOD. Omówione zostaną kluczowe czynniki wpływające na jakość rekomendacji oraz dane potrzebne do ich generowania. Ponadto, poruszone zostały istniejące problemy związane z tworzeniem skutecznych systemów rekomendacyjnych, zarówno teoretyczne jak i praktyczne – takie jak implementacja algorytmów rekomendacyjnych w rzeczywistych systemach. W dalszej części artykułu, przedstawione zostaną różne techniki i podejścia, które mogą być wykorzystane do rozwiązania tych trudności w tworzeniu systemów rekomendacyjnych. Opisane techniki i podejścia zastosowane zostały w systemie rekomendacyjnym – Redge Media Recommender – stworzonym przez Redge Technologies. Projekt powstał we współpracy z ActumLab w ramach programu RPO WM 2014–2020.

EN

In the age of the dynamic development of the OTT industry, consumers have access to hundreds of thousands of attractive video content offered by streaming service providers and content distributors. The remedy for this abundance of choice is recommendation systems, which are becoming essential for the development of Internet services that offer products or content. However, the functionality of recommendation systems does not rely solely on predicting user ratings but requires a multi-faceted approach. It is crucial that the systems are flexible in terms of data and algorithm handling, and that they are powered by real-time data. The authors describe the evolution of recommendation systems for streaming services from the perspective of both the user and the content platform owner. The article discusses the characteristics of good recommendations and the data needed to generate them. The basics of building recommendation systems are presented in the following sections of the article, using a VOD service as an example. Key factors influencing the quality of recommendations and the data needed to generate them are discussed. In addition, existing problems related to the creation of effective recommendation systems are addressed, both theoretical and practical, such as the implementation of recommendation algorithms in real systems. The rest of the paper presents several techniques and approaches that can be used to overcome these difficulties in building recommendation systems. The described techniques and approaches have been applied in the recommendation system – Redge Media Recommender – developed by Redge Technologies. The project was developed in cooperation with ActumLab as part of the RPO WM 2014–2020 programme.

Słowa kluczowe

PL

telewizja internetowa; systemy rekomendacji; streaming; uczenie maszynowe; sztuczna inteligencja

EN

internet TV; recommendation systems; streaming; machine learning; artificial intelligence

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2023
• Tom: nr 2
• Strony: 33--40
• Opis fizyczny: Bibliogr. 19 poz., rys.

Twórcy

autor

Chęciński Karol

autor

Wawrzusiak Radosław

• Redge Technologies Sp. z o. o.

Bibliografia

• [1] Press Room - IMDb: https://www.imdb.com/pressroom/stats/ (dostęp 24.02.2023)
• [2] Spotify - About Spotify: https://newsroom.spotify.com/company- -info/ (dostęp 24.02.2023)
• [3] O BookBeat: https://www.bookbeat.pl/o-nas (dostęp 24.02.2023)
• [4] D. Goldberg, D. Nichols, B. M. Oki, D. Terry: “Using collaborative filtering to weave an information tapestry” w Communications of the AMC, t. 32, nr 12. 1992, s. 61-70. (https://dl.acm.org/ doi/10.1145/138859.138867)
• [5] M. Balabanović: “An adaptive Web page recommendation service” w Proceedings of the First International Conference on Autonomous Agents, Marina del Rey, CA, USA, Luty 1997. Nowy Jork, NY, USA: Association for Computing Machinery, Luty 1997, s. 378–385. (https://dl.acm.org/doi/10.1145/267658.267744)
• [6] R. Bambini, P. Cremonesi, R. Turrin: “A Recommender System for an IPTV Service Provider: a Real Large-Scale Production Environment” w B. Shapira, L. Rokach, R. Francesco (red.), Recommender Systems Handbook. New York: Springer, 2021, s. 299-331. (https://link.springer.com/chapter/10.1007/978-0-387-85820-3_9)
• [7] X. Amatriain: “Big & personal: data and models behind netflix recommendations” w BigMine ‘13: Proceedings of the 2nd International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming Models and Applications, Chicago, IL, USA, 11.08.2013. Nowy Jork, NY, USA: Association for Computing Machinery, 11.08.2013, s. 1-6. (https://dl.acm.org/doi/10.1145/2501221.2501222)
• [8] Basic Concepts and Architecture of a Recommender System - Alibaba Cloud Community: https://www.alibabacloud.com/blog/basic-concepts-and- architecture-of-a-recommender-system_596642 (dostęp 15.03.2023)
• [9] F. Ricci, L. Rokach, B. Shapira: “Recommender Systems: Techniques, ira, (red.), Recommender Systems Handbook. New York: Springer, 2021, Applications, and Challenges” w B okach, R. Francesco Redge doi.org/10.1007/978-3-319-29659-3_1)
• [10] C. C. Aggarwal, “An Introduction to Recommender Systems”
• [11] S. Rose, D. Engel, N. Cramer, W. Cowley, “Automatic Keyword Extraction from Individual Documents” w M. W. Berry, J. Kogan (red.), Text Mining: Applications and Theory. Wiley, 2010, s. 1-20. (https://doi.org/10.1002/9780470689646.ch1)
• [12] IntroductiontoRedis|Redis:https://redis.io/docs/about/(dostęp 6.03.2023)
• [13] Y.Koren, R.Bell, C.Volinsky,“ Matrix Factorization Techniques for Recommender Systems,” w Computer, tom 42, nr 8, 2009, s. 30-37 (https://doi.org/10.1109/MC.2009.263)
• [14] Y.Hu, Y.Koren, C.Volinsky, “Collaborative Filtering for Implicit Feedback Datasets” w 2008 Eighth IEEE International Conference on Data Mining, Pisa, Włochy, 2008, s. 263-272 (https://doi.org/10.1109/ ICDM.2008.22).
• [15] X.He, H.Zhang, M.Kan, and T.Chua. “Fast Matrix Factorization for Online Recommendation with Implicit Feedback” w Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval (SIGIR ‘16). Nowy Jork, USA, 2016, wyd. Association for Computing Machinery, 2016, s. 549–558. (https://doi.org/10.1145/2911451.2911489)
• [16] C. C. Aggarwal, “Content-Based Recommender Systems” w Recommender Systems. Cham: Springer, 2016, s. 139-166. (https://doi. org/10.1007/978-3-319-29659-3_4)
• [17] C. Ziegler, S. M. McNee, J. A. Konstan, G. Lausen, “Improving recommendation lists through topic diversification” w Proceedings of the 14th international conference on World Wide Web (WWW ‘05). Nowy Jork, USA, 2005, wyd. Association for Computing Machinery, 2016, s. 22–32. (https://doi.org/10.1145/1060745.1060754)
• [18] Apache Kafka: https://kafka.apache.org/ (dostęp 10.03.2023)
• [19] Poznaj nasze flagowe produkty | Redge Technologies: https://redge.com/pl/nasze-rozwiazania/ (dostęp 9.03.2023)

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).