kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2025-1(17)-2kaz44-1767Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОБЗОР)AUTOMATION AND INFORMATION TECHNOLOGY (REVIEW)ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ: МОДЕЛИ И ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ В ОБРАЗОВАТЕЛЬНЫХ ПЛАТФОРМАХREVIEW OF RECOMMENDER SYSTEMS: MODELS AND PROSPECTS FOR USE IN EDUCATIONAL PLATFORMShttps://orcid.org/0000-0002-8330-4282ИкласоваК. Е.IklassovaK. Е.

Кайнижамал Есимсеитовна Икласова – PhD, доцент кафедры «Информационно-коммуникационные технологии»

150000, г. Петропавловск, ул. Пушкина, 86

Kainizhamal Iklassova – PhD, associate professor, Department of Information and Communication Technologies

150000, Petropavllovsk, Pushkina Str, 86

kiklasova1205@gmail.comhttps://orcid.org/0000-0001-6006-4813ШайхановаА. К.ShaikhanovaA. K.

Айгуль Кайрулаевна Шайханова – PhD, и.о. профессора кафедры информационной безопасности

100000, г. Астана, ул. Сатбаева, 2

Aigul Kairulaevna Shaikhanova – PhD, Acting Professor, Department of Information Security

010000, Astana, Satpayev Str., 2 

shaikhanova_ak@enu.kzhttps://orcid.org/0000-0003-2580-6580БазароваМ. Ж.BazarovaM. Zh.

Мадина Жомартовна Базарова – PhD, ассоциированный профессор кафедры «Компьютерное моделирование и информационные технологии»

070002, г. Усть-Каменогорск, ул. 30-й Гвардейской дивизии, 34

Madina Zhomartovna Bazarova – PhD, associate professor of the Department of Computer Modeling and Information Technology

070002, Ust-Kamenogorsk, 30th Gvardeiskoy Divisii Str, 34

madina_vkgtu@mail.ruhttps://orcid.org/0009-0006-2436-9584ТашибаевР. М.TashibayevR. M.

Рустем Маратович Ташибаев – докорант

150000, г. Петропавловск, ул. Пушкина, 86

Rustem Maratovich Tashibayev – PhD student

150000, Petropavllovsk, Pushkina Str, 86

rasll17@mail.ruhttps://orcid.org/0000-0002-3077-3499КазанбаеваА. С.KazanbayevaA. S.

Альбина Советовна Казанбаева – PhD, доцент кафедры «Строительство и дизайн»

150000, г. Петропавловск, ул. Пушкина, 86

Albina Sovetovna Kazanbayeva – PhD, associate professor, Department of Building and design

150000, Petropavllovsk, Pushkina Str, 86

akazanbaeva83@mail.ruСеверо-Казахстанский университет имени М. КозыбаеваКазахстанManash Kozybayev North Kazakhstan UniversityKazakhstanЕвразийский национальный университет имени Л.Н. ГумилеваКазахстанL.N. Gumilyov Eurasian National UniversityKazakhstanВосточно-Казахстанский университет имени С. АманжоловаКазахстанSarsen Amanzholov East Kazakhstan UniversityKazakhstan20252903202501(17)1220Copyright © Икласова К.Е., Шайханова А.К., Базарова М.Ж., Ташибаев Р.М., Казанбаева А.С., 20252025Икласова К.Е., Шайханова А.К., Базарова М.Ж., Ташибаев Р.М., Казанбаева А.С.Iklassova K.Е., Shaikhanova A.K., Bazarova M.Z., Tashibayev R.M., Kazanbayeva A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/1767

Рекомендательные системы играют ключевую роль в цифровой среде, обеспечивая персонализированные рекомендации в интернет-магазинах, стриминговых сервисах, социальных сетях и образовательных платформах. В данной работе представлен всесторонний обзор моделей рекомендательных систем, включая контентную и коллаборативную фильтрацию, гибридные подходы, а также современные алгоритмы, основанные на глубоком обучении, обучении с подкреплением и графовых нейронных сетях. Проанализированы преимущества и недостатки различных методов, их точность, производительность, масштабируемость и адаптивность к новым данным. Рассмотрены основные вызовы, такие как проблема «холодного старта», разреженность данных, предвзятость алгоритмов, необходимость объяснимости рекомендаций и обеспечение конфиденциальности. Отдельное внимание уделено перспективам внедрения рекомендательных систем в образовательные платформы. Подчеркнута важность использования гибридных и интеллектуальных систем для эффективного анализа данных пользователей и построения рекомендаций с учетом индивидуальных потребностей. В заключении сделан вывод о дальнейшем развитии рекомендательных систем, которое будет связано с интеграцией новейших технологий искусственного интеллекта, оптимизацией вычислительных ресурсов и расширением области их применения в различных цифровых экосистемах. Работа может быть полезна исследователям, разработчикам и практикам, работающим в сфере искусственного интеллекта и образовательных технологий.

Recommendation systems play a key role in the digital environment, providing personalized recommendations in online stores, streaming services, social networks, and educational platforms. This paper presents a comprehensive review of recommendation system models, including content and collaborative filtering, hybrid approaches, and state-of-the-art algorithms based on deep learning, reinforcement learning, and graph neural networks. The advantages and disadvantages of different methods, their accuracy, performance, scalability and adaptability to new data are analyzed. The main challenges such as the cold-start problem, data sparsity, bias of algorithms, the need for explainability of recommendations and privacy assurance are reviewed. Special attention is paid to the prospects of implementing recommendation systems in educational platforms. The importance of using hybrid and intelligent systems to effectively analyze user data and build recommendations tailored to individual needs is emphasized. The conclusion is drawn about further development of recommendation systems, which will be associated with the integration of the latest artificial intelligence technologies, optimization of computational resources and expansion of their application area in various digital ecosystems. The work can be useful for researchers, developers and practitioners working in the field of artificial intelligence and educational technologies.

рекомендательные системыколлаборативная фильтрацияглубокое обучениеобучение с подкреплениемграфовые нейронные сетиобразовательные платформыперсонализацияанализ данныхrecommendation systemscollaborative filteringdeep learningreinforcement learninggraph neural networkseducational platformspersonalizationdata analysisДанное исследование финансировалось/финансируется Комитетом по науке Министерства науки и высшего образования Республики Казахстан (грант № AP23488869).ReferencesGomez-Uribe C.A. The Netflix recommender system: Algorithms, business value, and innovation / C.A. Gomez-Uribe, N. Hunt // ACM Transactions on Management Information Systems. – 2022. – № 6(4). – Р. 1-19. https://doi.org/10.1145/2843948.Gomez-Uribe C.A. The Netflix recommender system: Algorithms, business value, and innovation / C.A. Gomez-Uribe, N. Hunt // ACM Transactions on Management Information Systems. – 2022. – № 6(4). – Р. 1-19. https://doi.org/10.1145/2843948.Pazzani M.J. Content-based recommendation systems / M.J. Pazzani, D. Billsus // In The adaptive web. – 2007. – Р. 325-341. https://doi.org/10.1007/978-3-540-72079-9_10.Pazzani M.J. Content-based recommendation systems / M.J. Pazzani, D. Billsus // In The adaptive web. – 2007. – Р. 325-341. https://doi.org/10.1007/978-3-540-72079-9_10.Item-based collaborative filtering recommendation algorithms / В. Sarwar et al // Proceedings of the 10th International Conference on World Wide Web. – 2001. – Р. 285-295. https://doi.org/10.1145/371920.372071.Item-based collaborative filtering recommendation algorithms / В. Sarwar et al // Proceedings of the 10th International Conference on World Wide Web. – 2001. – Р. 285-295. https://doi.org/10.1145/371920.372071.An algorithmic framework for performing collaborative filtering / J.L. Herlocker et al // Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. – 1999. – Р. 230-237. https://doi.org/10.1145/312624.312682.An algorithmic framework for performing collaborative filtering / J.L. Herlocker et al // Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. – 1999. – Р. 230-237. https://doi.org/10.1145/312624.312682.Deshpande, M. Item-based top-N recommendation algorithms / M. Deshpande, G. Karypis // ACM Transactions on Information Systems. – 2004. – № 22(1). – Р. 143-177. https://doi.org/10.1145/963770.963776.Deshpande, M. Item-based top-N recommendation algorithms / M. Deshpande, G. Karypis // ACM Transactions on Information Systems. – 2004. – № 22(1). – Р. 143-177. https://doi.org/10.1145/963770.963776.Koren Y. Matrix factorization techniques for recommender systems / Y. Koren, R. Bell, C. Volinsky // Computer. – 2009. – № 42(8). – Р. 30-37. https://doi.org/10.1109/MC.2009.263.Koren Y. Matrix factorization techniques for recommender systems / Y. Koren, R. Bell, C. Volinsky // Computer. – 2009. – № 42(8). – Р. 30-37. https://doi.org/10.1109/MC.2009.263.Burke R. Hybrid web recommender systems / Burke R. // In The adaptive web. – 2007. – Р. 377408. https://doi.org/10.1007/978-3-540-72079-9_12.Burke R. Hybrid web recommender systems / Burke R. // In The adaptive web. – 2007. – Р. 377408. https://doi.org/10.1007/978-3-540-72079-9_12.Session-based recommendations with recurrent neural networks / В. Hidasi et al // Proceedings of the International Conference on Learning Representations (ICLR). – 2016. https://doi.org/10.48550/arXiv.1511.06939.Session-based recommendations with recurrent neural networks / В. Hidasi et al // Proceedings of the International Conference on Learning Representations (ICLR). – 2016. https://doi.org/10.48550/arXiv.1511.06939.Attention is all you need / A. Vaswani et al // Advances in Neural Information Processing Systems. – 2017. https://doi.org/10.48550/arXiv.1706.03762.Attention is all you need / A. Vaswani et al // Advances in Neural Information Processing Systems. – 2017. https://doi.org/10.48550/arXiv.1706.03762.Deep reinforcement learning for page-wise recommendations / Х. Zhao et al // Proceedings of the 12th ACM Conference on Recommender Systems. – 2018. Р. 95-103. https://doi.org/10.1145/3240323.3240357.Deep reinforcement learning for page-wise recommendations / Х. Zhao et al // Proceedings of the 12th ACM Conference on Recommender Systems. – 2018. Р. 95-103. https://doi.org/10.1145/3240323.3240357.Top-K off-policy correction for a REINFORCE recommender system / М. Chen et al // Proceedings of the 12th ACM International Conference on Web Search and Data Mining. – 2019. – Р. 456-464. https://doi.org/10.1145/3289600.3290999.Top-K off-policy correction for a REINFORCE recommender system / М. Chen et al // Proceedings of the 12th ACM International Conference on Web Search and Data Mining. – 2019. – Р. 456-464. https://doi.org/10.1145/3289600.3290999.Hamilton W.L. Representation learning on graphs: Methods and applications / W.L. Hamilton, R. Ying, J. Leskovec // IEEE Data Engineering Bulletin. – 2017. – № 40(3). – Р. 52-74. https://doi.org/10.48550/arXiv.1709.05584.Hamilton W.L. Representation learning on graphs: Methods and applications / W.L. Hamilton, R. Ying, J. Leskovec // IEEE Data Engineering Bulletin. – 2017. – № 40(3). – Р. 52-74. https://doi.org/10.48550/arXiv.1709.05584.Session-based recommendation with graph neural networks / S. Wu et al // Proceedings of the AAAI Conference on Artificial Intelligence. – 2019. – № 33(1). – Р. 346-353. https://doi.org/10.1609/aaai.v33i01.3301346.Session-based recommendation with graph neural networks / S. Wu et al // Proceedings of the AAAI Conference on Artificial Intelligence. – 2019. – № 33(1). – Р. 346-353. https://doi.org/10.1609/aaai.v33i01.3301346.

The authors declare that there are no conflicts of interest present.