ҰСЫНЫС ЖҮЙЕЛЕРІНЕ ШОЛУ: МОДЕЛЬДЕР МЕН ПЕРСПЕКТИВАЛАР БІЛІМ БЕРУ ПЛАТФОРМАЛАРЫНДА ҚОЛДАНУ

Ұсыныс жүйелері интернет-дүкендерде, ағындық қызметтерде, әлеуметтік желілерде және білім беру платформаларында жеке ұсыныстар беру арқылы цифрлық ортада шешуші рөл атқарады. Бұл жұмыста мазмұнды және бірлескен сүзуді, гибридті тәсілдерді, сондай-ақ терең оқытуға, күшейтуге және графикалық нейрондық желілерге негізделген заманауи алгоритмдерді қоса алғанда, ұсыныс жүйелерінің модельдеріне жан-жақты шолу берілген. Әр түрлі әдістердің артықшылықтары мен кемшіліктері, олардың дәлдігі, өнімділігі, ауқымдылығы және жаңа деректерге бейімделуі талданады. «Суық бастау» мәселесі, деректердің сирек болуы, алгоритмдердің біржақтылығы, ұсыныстарды түсіндіру қажеттілігі және құпиялылықты қамтамасыз ету сияқты негізгі қоңыраулар қарастырылады. Білім беру платформаларына ұсынымдық жүйелерді енгізу перспективаларына ерекше назар аударылды. Пайдаланушылардың деректерін тиімді талдау және жеке қажеттіліктерді ескере отырып ұсыныстар құру үшін гибридті және интеллектуалды жүйелерді пайдаланудың маңыздылығы атап өтілді.

Қорытындылай келе, жасанды интеллекттің жаңа технологияларын интеграциялаумен, есептеу ресурстарын оңтайландырумен және оларды әртүрлі цифрлық экожүйелерде қолдану аясын кеңейтумен байланысты ұсынымдық жүйелерді одан әрі дамыту туралы қорытынды жасалды. Жұмыс жасанды интеллект және білім беру технологиялары саласында жұмыс істейтін зерттеушілерге, әзірлеушілерге және тәжірибешілерге пайдалы болуы мүмкін. 

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.