ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ: МОДЕЛИ И ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ В ОБРАЗОВАТЕЛЬНЫХ ПЛАТФОРМАХ

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.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. Attention is all you need / A. Vaswani et al // Advances in Neural Information Processing Systems. – 2017. https://doi.org/10.48550/arXiv.1706.03762.

10. 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.

11. 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.

12. 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.

13. 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.