Проблемы существующих подходов

· Недостаток информации о пользователях

Большинство пользователей различных сервисов предпочитает не высказывать свое мнение относительно объектов сервиса, тем самым не ставя им оценки, из-за чего точность предсказаний ухудшается.

· Новые пользователи

Эта проблема также является достаточно серьезной — новый пользователь не предоставляет достаточно количества информации для создания правильных рекомендация для него, в следствии чего рекомендации составляют либо из популярного в целом контента, либо не составляют вовсе.

· Поддельные оценки

На некоторых сервисах, особенно крупных, существует определенное количество пользователей, которые сознательно завышают или занижают оценки всем объектам системы, продвигая те или иные товары, что мешает работе рекомендационных алгоритмов.

· Масштабируемость

При увеличении количества пользователей и объектов системы увеличивается время выполнения алгоритмов для каждого пользователя. Частично решается усовершенствованием алгоритмов (например, для алгоритма weighted slope one необходимо только следить за отклонениями между парами элементов и общим количеством элементов) Существующие методы имеют как достоинства, так и недостатки. Одни алгоритмы выигрывают по времени, другие — по потребляемой памяти и точности, но для данной работы было решено выбрать методы, основанные на статистических вычислениях. Создание классификатора не представляется правильным решением, так как ключевые слова не всегда выражают категорию новости, а бесплатные источники новостей не предоставляют теги к новостным объектам. Как и целом оценивание каждого новостного элемента, прочитанного пользователем не является правильным решением по ресурсным соображениям.

Поэтому для реализации рекомендательной системы было решено выбрать алгоритм поиска ближайших соседей и Weighted Slope One.