Математическая модель построения системы персональных рекомендаций на основе признаков объектов
Ключевые слова:
РЕКОМЕНДАТЕЛЬНАЯ СИСТЕМА, КОНТЕНТНАЯ ФИЛЬТРАЦИЯ, ПРОФИЛЬ ПОЛЬЗОВАТЕЛЯ, МЕТРИКА PRECISION@N, СРЕДНЯЯ ТОЧНОСТЬ, СИНТЕТИЧЕСКИЙ ЭКСПЕРИМЕНТАннотация
Рассмотренная в статье модель рекомендательной системы на основе контентной фильтрации демонстрирует эффективность и пригодность для использования в задачах персонализации. Предложенный подход базируется на использовании признаков объектов и профилей пользователей, что позволяет учитывать индивидуальные предпочтения при генерации рекомендаций. Синтетический эксперимент подтвердил работоспособность модели: показатели Precision@5 и MAP показали, что более половины предложенных рекомендаций были релевантны.
Предлагаемая модель рекомендательной системы на основе контентной фильтрации, несмотря на свои ограничения, обладает рядом уникальных особенностей, которые делают ее особенно ценной для задач персонализации. Эти особенности определяют ее преимущества и недостатки, а также сценарии наиболее эффективного применения. Она не зависит от поведения других пользователей. Профиль каждого пользователя строится исключительно на его личной истории взаимодействий и явных предпочтениях. Это позволяет системе давать очень точные и релевантные рекомендации для пользователей с уникальными, нишевыми или специфическими вкусами, которые могут не совпадать с общими трендами или предпочтениями большинства.
Тем не менее модель чувствительна к выбору признаков и качеству представления пользовательского профиля, а также склонна к эффекту «узкой специализации». Это подчеркивает целесообразность дальнейших исследований в направлении гибридных подходов, сочетающих контентную и коллаборативную фильтрацию, а также применение модели к реальным данным.
Развитие предложенной методики может способствовать созданию более точных и разнообразных рекомендательных систем, обладающих высокой пользовательской ценностью и потенциальным коммерческим эффектом.
Библиографические ссылки
Федоренко, В. И. Использование методов векторизации текстов на естественном языке для повышения качества контентных рекомендаций фильмов / В. И. Федоренко, В. С. Киреев // Современные наукоемкие технологии. – 2018. – № 3. – С. 102–106.
Сейдаметова, З. С. Системы рекомендаций в электронной коммерции / З. С. Сейдаметова // Ученые записки Крымского инженерно-педагогического университета. – 2018. – № 3(61). – С. 121–127.
Горелов, М. А. О подходах к построению моделей рекомендательных систем / М. А. Горелов, Ю. В. Бруттан // Математическое моделирование систем и процессов. – Псков : Псковский государственный университет, 2024. – С. 82–87.
Folorunso, Ojо. An Overview of Web Content Filtering Techniques / Ojо Folorunso. – Morgan State Univercity Maryland USA. – 2024. – 9 р.
Karthikeyan, V. K. T. Web Content Filtering Techniques : А Survey / V. K. T. Karthikeyan. – Текст : электронный // A Survey International Journal of Computer Science & Engineering Technology (IJCSET). – 2014. – Vol. 5. – № 03. – Р. 203–208. – URL: https://ijcset.com/docs/IJCSET14-05-03-038.pdf (дата обращения: 12.06.2025).
Черников, С. Ю. Использование системного анализа при управлении организациями / С. Ю. Черников, Р. В. Корольков // Моделирование, оптимизация и информационные технологии. – 2014. – № 2(5). – C. 1–6.
Преображенский, Ю. П. О методах создания рекомендательных систем / Ю. П. Преображенский, В. М. Коновалов // Вестник воронежского института высоких технологий. – 2019. – № 4(31) . – С. 75–79.
Hybrid quality-based recommender systems: A systematic literature review / В. Sabiri, А. Khtira, B. El Asri, М. Rhanoui. – Текст : электронный // Journal of Imaging. – 2025. – Vol. 11. – № 1. – DOI: 10.3390/jimaging11010012. – URL: https://www.researchgate.net/publication/387804221_Hybrid_Quality-Based_Recommender_Systems_A_Systematic_ Literature_Review (дата обращения: 12.06.2025).
Скворцов, В. А. Примеры метрических пространств / В. А. Скворцов. – Москва : МЦНМО. – 2002. – 24 с. – ISBN: 5-94057-002-Х.
