Россия
с 01.01.2023 по настоящее время Воронежская область, Россия
В данной статье рассматриваются принципы построения персональных рекомендательных систем на основе двух фундаментальных подходов: контент-базированной и коллаборативной фильтрации. В условиях информационного перенасыщения и растущих ожиданий пользователей персонализация становится критически важным элементом цифровых продуктов, будь то стриминговые сервисы, интернет-магазины или новостные платформы. Эффективные рекомендательные алгоритмы позволяют не только повышать вовлечённость и конверсию, но и формировать более осмысленный и разнообразный пользовательский опыт. В работе подробно анализируются математические основы, сильные и слабые стороны каждого из подходов, их эволюция под влиянием современных методов машинного обучения, а также практические аспекты внедрения, включая учёт контекста, оценку качества и этические вызовы. Особое внимание уделяется гибридным архитектурам, которые объединяют преимущества обоих методов для достижения максимальной релевантности и устойчивости рекомендаций. В данной статье рассматриваются принципы построения персональных рекомендательных систем на основе двух фундаментальных подходов: контент-базированной и коллаборативной фильтрации. В условиях информационного перенасыщения и растущих ожиданий пользователей персонализация становится критически важным элементом цифровых продуктов, будь то стриминговые сервисы, интернет-магазины или новостные платформы. Эффективные рекомендательные алгоритмы позволяют не только повышать вовлечённость и конверсию, но и формировать более осмысленный и разнообразный пользовательский опыт. В работе подробно анализируются математические основы, сильные и слабые стороны каждого из подходов, их эволюция под влиянием современных методов машинного обучения, а также практические аспекты внедрения, включая учёт контекста, оценку качества и этические вызовы. Особое внимание уделяется гибридным архитектурам, которые объединяют преимущества обоих методов для достижения максимальной релевантности и устойчивости рекомендаций.
рекомендательные системы, контент-базированная фильтрация, коллаборативная фильтрация, персонализация, машинное обучение, пользовательский опыт
1. Сумин, В. И. Использование ситуационного моделирования в разработке систем принятия решений для сложных организационных систем / В. И. Сумин, А. С. Кравченко, А. В. Толкачев // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 71-79. – DOIhttps://doi.org/10.12737/2219-0767-2024-69-77. – EDN FBBHJO.
2. Сумин, В. И. Разработка сетевой модели целевых установок сложных организационных систем специального назначения / В. И. Сумин, А. С. Кравченко, С. В. Родин // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 79-87. – DOIhttps://doi.org/10.12737/2219-0767-2024-77-85. – EDN QIRWOK.
3. Еремин О. Ю., Моркулев Д. В. Методы реализации гибридных рекомендательных систем // E-Scio. - 2023. - № 3(78). - С. 52-62. EDN: https://elibrary.ru/OKQQKH
4. Попков С. С., Гаврюшин А. В. Сравнительный анализ алгоритмов построения и оценка качества рекомендательных систем // Информационные технологии и математические методы в экономике и управлении (ИТиММ-2024): сб. ст. XIII Междунар. науч.-практ. конф. им. А.И. Китова: в 3 т. Москва, 14-15 марта 2024 г. - М.: Рос. экон. ун-т им. Г.В. Плеханова, 2024. - С. 64-71. EDN: https://elibrary.ru/HTEIXP
5. Тимофеев А.А. Механизмы работы рекомендательных систем и их применение // Материалы Всероссийской научной конференции "Социальный инженер - 2022". М., 2022. С. 7-13. EDN: https://elibrary.ru/LJSLSK
