Анализ предпочтений участников движения на маршрутном общественном транспорте в задаче построения персонализированной рекомендательной системы

Abstract

В работе рассматриваются теоретические и алгоритмические аспекты построения персонализированной рекомендательной системы (мобильного сервиса), предназначенной для пользователей общественного маршрутного транспорта. Основной упор сделан на выявлении и формализации понятия "пользовательские предпочтения", лежащего в основе современных персонализированных рекомендательных систем. Представлены неформальные (вербальные) и формальные (математические) постановки соответствующих задач определения "пользовательских предпочтений" в определенном пространственно-временном контексте: определение предпочитаемых остановок и определение предпочитаемых "транспортных корреспонденций". Показано, что первая из задач может быть представлена как известная задача классификации, то есть может быть сформулирована и решена с использованием известных методов распознавания образов и машинного обучения. Вторая же сводится к нахождению оценок серии условных распределений. Представлены результаты экспериментального исследования работоспособности предложенных подходов, методов и алгоритмов на примере данных мобильного приложения "Прибывалка-63" сервиса tosamara.ru, используемого в настоящее время для информирования жителей г. Самара о движении общественного транспорта. The paper presents the theoretical and algorithmic aspects for making a personalized recommender system (mobile service) designed for public route transport users. The main focus is on identifying and formalizing the concept of "user preferences", which is the basis of modern personalized recommender systems. Informal (verbal) and formal (mathematical) formulations of the corresponding problems of determining "user preferences" in a specific spatial-temporal context are presented: the preferred stops definition and the preferred "transport correspondence" definition. The first task can be represented as a well-known classification problem. Thus, it can be formulated and solved using well-known pattern recognition and machine learning methods. The second is reduced to the construction of dynamic graphs series. The experiments were conducted on data from the mobile application "Pribyvalka-63". The application is the tosamara.ru service part, currently used to inform Samara residents about the public transport movement.