Степень персонализации в рекомендательных системах: сравнительный анализ подходов и критерии выбора

В настоящей статье представлен сравнительный анализ подходов к построению рекомендательных систем, в основу классификации которых положена степень персонализации выдаваемого контента. Актуальность темы исследования обусловлена фундаментальным противоречием, неизбежно возникающим на этапе проектирования подобных систем: необходимостью одновременного обеспечения высокой точности индивидуальных предсказаний и сохранения приемлемого уровня вычислительной сложности, интерпретируемости и стоимости внедрения.

Цель работы заключалась в разработке системы критериев и практических инструментов, обеспечивающих осознанный выбор архитектурной стратегии рекомендательной системы на основе ее классификации по степени персонализации. Для достижения поставленной цели решались задачи по выделению и содержательной характеристике четырех классов систем, формированию набора сопоставимых оценочных параметров и построению процедуры принятия проектного решения. Научная значимость исследования состоит в систематизации представлений о градациях персонализации и в обосновании комплекса из семи взаимосвязанных критериев, отражающих ключевой для данной предметной области компромисс между точностью и сложностью. Практическая ценность определяется разработкой блок-схемы и чек-листа – инструментов, применимых на начальных стадиях проектирования и допускающих итеративное уточнение архитектуры по мере развития сервиса.

Основные результаты работы свидетельствуют, что ни один из рассмотренных классов не обладает абсолютным преимуществом. Выбор определяется конкретными условиями проекта, а оптимальной траекторией развития является последовательное движение от простых решений к более сложным по мере накопления данных. Новизна предложенного подхода заключается в переводе проблемы выбора рекомендательной архитектуры из плоскости интуитивных предпочтений в плоскость структурированного сопоставления по явно заданным критериям.

1. Jannach D., Zanker M., Felfernig A., Friedrich G. Recommender Systems. Cambridge: Cambridge University Press, 2010. URL: https://www.researchgate.net/publication/235910467 .

2. Ricci F., Rokach L., Shapira B., Kantor P.B. Recommender Systems Handbook. New York: Springer, 2015. URL: https://www.researchgate.net/ publication/227268858_Recommender_Systems_Handbook.

3. Меньшикова Н.В., Портнов И.В., Николаев И.Е. Обзор рекомендательных систем и возможностей учета контекста при формировании индивидуальных рекомендаций // Academy. 2016. № 6 (9). С. 20–22.

4. Briand L., Salha-Galvan G., Bendada W., Morlon M., Tran V. A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps // arXiv.org. 2021. 7 June. URL: https://arxiv.org/abs/2106.03819 .

5. Burke R. Hybrid Recommender Systems: Survey and Experiments // User Modeling and User-Adapted Interaction. 2002. Vol. 12. № 4. P. 331–370. https://doi.org/10.1023/A:1021240730564.

6. Фальк К. Рекомендательные системы на практике / Пер. Д.М. Павлов. М.: ДМК Пресс, 2020. 448 с.

7. Чжан Л. Анализ компромисса между точностью и сложностью идентифицированных моделей динамических систем // Системы анализа и обработки данных. 2024. № 2 (94). С. 85–93.

8. Чжан Чжибо, Афанасьев Г.И. Основные технологии и перспективы эволюции персонализированных рекомендательных систем // E-Scio. 2022. № 4 (67). С. 309–320.