Рекомендательные системы для онлайн кинотеатров: анализ и сравнение алгоритмов на фоне экономической эффективности

Рекомендательные системы широко применяются в интернет-пространстве для предоставления персонализированных предложений по продуктам и услугам. Стриминговые сервисы — одна из областей, в которой системы рекомендаций особенно распространены, так как играют немаловажную роль в создании персонализированного опыта. Вдобавок, улучшение рекомендательных алгоритмов способствует увеличению числа новых пользователей и количества продаж ежемесячных подписок на сервис, что является важными показателями экономики онлайн-платформ. В этом исследовании анализируются и сравниваются существующие алгоритмы рекомендаций с точки зрения экономической эффективности стриминговых платформ. Для анализа было выбрано три алгоритма коллаборативной фильтрации: сингулярное разложение (Singular value decomposition, SVD), неотрицательная матричная факторизация (Non-Negative Matrix Factorization, NMF) и метод k-ближайших соседей (k-nearest neighbors algorithm, KNN). Для определения наиболее эффективной модели используются различные методы оценки системы рекомендаций, такие как RMSE, MSE, MAE, Precision-k и Recall-k. Экономическая эффективность выбранных рекомендательных систем оценивается путем анализа их оценок и влияния на экономические показатели онлайн кинотеатра Netflix.